بهینه سازی بر روی شبکه ماشین یادگیری حداکثری (ELM) با استفاده از دو روش بهینه سازی ماشین یادگیری حداکثری پی در پی (OSELM) و الگوریتم پرواز پرندگان (ازدحام ذرات (PSO)) برای پیش بینی شاخص صنعت در بورس اوراق بهادار تهران

همواره برای پیش بینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیش بینی بر اساس مدل های آماری و در روش هوشمند بر اساس مدل های هوش مصنوعی است. روش های سنتی عمدتا از الگوهای خطی برای مدل کردن رفتار بازار استفاده می کنند در حالی که مزیت و برتری اصلی مدل های هوشمند توانایی یادگیری و مدل کردن رفتارهای غیرخطی موجود در بازار است. همیشه این موضوع مطرح بوده است که کدام روش ها می توانند رفتار بازار را بهتر مدل کنند و با وجود مدل های فراوانی که برای پیش بینی ارایه شده است کماکان تلاش برای ساخت مدلی که بتواند متغیرهای موثر بیشتری را برای پیش بینی مورد استفاده قرار دهد و بتواند فاکتورهایی مانند زمان، ریسک و بازده را هم در نظر بگیرد، ادامه دارد. هدف از این پژوهش ارایه مدلی برای پیش بینی شاخص صنعت در بورس اوراق بهادار تهران می باشد. این کار توسط شبکه عصبی ماشین یادگیری حداکثری و با استفاده از دو روش بهینه سازی ماشین یادگیری حداکثری پی در پی و الگوریتم پرواز پرندگان صورت گرفته است. نتایج نشان می دهد که دقت پیش بینی دو روش از لحاظ آماری تفاوت معناداری با یکدیگر نداشته اما ازلحاظ مدت زمان اجرای الگوریتم شبکه عصبی با روش بهینه سازی ماشین یادگیری حداکثری پی در پی عملکرد بهتری داشته است.