ارائه یک مدل ترکیبی بهبودیافته با انتخاب وقفه های خودکار برای پیش بینی بازار سهام

  به طور کلی سری های زمانی مالی مانند شاخص سهام اغلب توانایی پیشبینی دقیق سری هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق ، مدلهای مبتنی بر یادگیری ماشین ) و الگوریتم ژنتیک با GMDH حاضرررر، ارا ه یک مدل ترکیبی جدید با بهرهمندی از مزایای روش گروهی مدلسرررازی داده ها ( ) برای پیشبینی دقیقتر روند حرکت و تغییرات شرراخص کب بورس اورا بهادار تهران و مقایسرره NSGA II مرتبسررازی نامغلوب (است. TIC و MAPE ،RMSE بر اساس معیارهای سنجش خطا شامب ARIMA توانایی آن با مدل) طی TEDPIX برای دستیابی به هدف پژوهش، از داده های شاخص کب قیمت و بازده نقدی در بورس اورا بهادار تهران ( NSGA II استفاده شده است. مدل ترکیبی 7831 تا شهریور 7831 دوره زمانی مهر را بهعنوان مدلی GMDH -، شبکه GMDH برای کمینهسازی NSGA II مقاوم در برابر داده های نویزی و نامانا برای پیشبینی بهکار میگیرد و از الگوریتم بهینهسازی چندهدفه خطای پیشبینی و انتخاب متغیرهای ورودی بهینه استفاده میکند. بیانکننده خطای کمتر و ، بر اساس هر سه معیار سنجش خطا ، نتایج بهدست آمده از مدل ترکیبی ارا هشده در این پژوهش برای داده های خارج از نمونه است. ARIMA دقت پیش بینی بیشتر آن در مقایسه با مدل با توجه به یافته های تجربی میتوان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص. از انعطافپذیری و توانایی بیشتری برخوردار است ،کب