| تعداد نشریات | 61 |
| تعداد شمارهها | 2,226 |
| تعداد مقالات | 18,183 |
| تعداد مشاهده مقاله | 55,975,153 |
| تعداد دریافت فایل اصل مقاله | 29,025,531 |
کاربرد روش پنجره لغزان برای انتخاب ساختار شبکه عصبی با تاخیر زمانی در پیشبینی سریهای زمانی مالی | ||
| پژوهشنامه اقتصادی | ||
| مقاله 3، دوره 15، شماره 57 - شماره پیاپی 2، تیر 1394، صفحه 75-108 اصل مقاله (1.28 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| محمدرضا اصغری اسکویی* | ||
| استادیار گروه رایانه، دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبایی | ||
| چکیده | ||
| شبکه عصبی با تاخیر زمانی، یک ابزار مدلسازی برگرفته از محاسبات هوشمند است که در کنار روشهای کلاسیک برای پیشبینی سریهای زمانی مالی بکار گرفته میشود. این مدل اغلب در مواردی که از سری زمانی دادههای فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده میشود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیشبینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیشبینیکننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه دادههای پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیشبینیکننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان میدهد با روش پیشنهادی، میتوان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش مییابد. | ||
| کلیدواژهها | ||
| پیشبینی سری زمانی؛ شبکه عصبی با تاخیر زمانی؛ پنجره لغزان؛ معیار خطا پیشبینی | ||
| مراجع | ||
|
اصغری اسکویی، محمدرضا (1383)، «پیش بینی سری های زمانی با کمک شبکه عصبی»، پژوهشهای اقتصادی ایران، فصلنامه علمی-پژوهشی مرکز تحقیقات اقتصاد ایران، سال شانزدهم، شماره 47، تابستان، صفحات 183-163. اصغری اسکویی، محمدرضا (1392)، «هوش محاسباتی»، کرسیهای علمی- ترویجی، دانشکده اقتصاد، دانشگاه علامه طباطبایی Castillo, Oscar and Patricia Melin (2002), “Hybrid Intelligent Systems for Time Series Prediction Using Neural Networks, Fuzzy Logic and Fractal Theory”, Neural Networks, IEEE Transactions on, Vol.13, No.6, pp.1395,1408.
Chng, E.S., S. Chen and B. Mulgrew (1996) “Gradient Radial Basis Function Networks for Nonlinear and Nonstationary Time Series Prediction”, Neural Networks, IEEE Transactions on, Vol.7, No.1, 190-194.
Connor, J.T., R.D. Martin and L.E. Atlas (1994),“Recurrent Neural Networks and Robust Time Series Prediction”, Neural Networks, IEEE Transactions on , Vol.5, No.2, pp. 240-254.
Daniel Graves, Witold Pedrycz (2009), “Fuzzy Prediction Architecture Using Recurrent Neural Networks”, Neurocomputing, Vol. 72, No. 7–9, pp. 1668-1678.
De Gooijer, G. J. and R. J. Hyndman (2006), “25 Years of Time Series Forecasting”, International Journal of Forecasting, Vol. 22, No 3, pp. 443- 473.
Frank, R. J., N. Davey and S. P. Hunt (2001), “Time Series Prediction and Neural Networks”, Journal of Intelligent and Robotic Systems, Vol. 31, No. 1-3, pp. 91-103.
Hamzaçebi, Coşkun, Diyar Akay and Fevzi Kutay (2009), “Comparison of Direct and Iterative Artificial Neural Network Forecast Approaches in Multi-periodic Time Series Forecasting”, Expert Systems with Applications, Vol. 36, No. 2, pp. 3839-3844.
Lu, Chi-Jie, Tian-Shyug Lee and Chih-Chou Chiu (2009), Financial Time Series Forecasting Using Independent Component Analysis and Support Vector Regression, Decision Support Systems, Vol. 47, No. 2, pp. 115-125.
Knerr, C. (2004), “Time Series Prediction Using Neural Networks”, PhD Thesis, Texas Tech University.
Panagiotopoulos, A. (2012), “Optimizing Time Series Forecast Through Linear Programming”, PhD Thesis, Nottingham University.
Sapankevych, N. I. and Ravi Sankar (2009), “Time Series Prediction Using Support Vector Machines: A Survey”, Computational Intelligence Magazine, IEEE , Vol.4, No.2, pp. 24-38.
Van Gestel, T. and others (2001), “Financial Time Series Prediction Using Least Squares Support Vector Machines within the Evidence Framework”, Neural Networks, IEEE Transactions on , Vol.12, No.4, pp.809-821.
Zhang, Jun, H.S.H.Chung and Wai-Lun Lo (2008), “Chaotic Time Series Prediction Using a Neuro-Fuzzy System with Time-Delay Coordinates”, Knowledge and Data Engineering, IEEE Transactions on, Vol.20, No.7, pp. 956,964. | ||
|
آمار تعداد مشاهده مقاله: 4,584 تعداد دریافت فایل اصل مقاله: 2,051 |
||