دانلود ترجمه مقاله پیش بینی تغییرات افزایش قیمت سهام از طریق بهینه سازی بر اساس BPNN و DOE – مجله الزویر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ روش‌هاي بهينه‌سازي
۲٫ ۱ شبكه‌های نورون (NNS)
۲-۲ طراحی آزمایش‌ها (DOE)
۳٫ ۲ روش تاگوچی
۳٫ ساختار مدل و فرمول
۳٫ ۱ ساختار مدل
۳٫ ۲ فرمول داده‌های تحقیق
۴٫ نتایج آزمایشات و مباحث
۵٫ نتیجه‌گیری

• بخشی از ترجمه:

۵٫ نتیجه‌گیری
سرمایه‌گذاری در بازار سهام تجربه مالی مهمی برای بسیاری افراد در سراسر جهان است. مشخص كردن اینكه چگونه میزان پیش‌بینی برگشتی‌های سهام را بهبود داد، مسئله مهمی برای سرمایه‌گذاران و محققان است. و ثابت شده ANNS ابزار پیش‌بینی كننده مؤثری برای پیش‌بینی برگشتی سهام است. كه توسط محققان زیادی استفاده شده است. بیشتر محققان از روش آزمایش و خطا برای تعیین پارامتر‌های ANNS استفاده نموده‌اند. بنابراین به دست آوردن نسبت‌های ظاهری پیش‌بینی در عرصه‌های مالی، كاری بس مشكل است.
این تحقیق تلفیق طراحی آزمایشات متداول، روش طراحی پارامتری تاگوچی و شبكه ی نورونی بازگشت گسترش است (یعنی اپتیمایز بر مبنای طراحی آزمایشات) كه برای بهبود و توسعه میزان پیش‌بینی بوده است. برای پیش‌بینی برگشتی سهام كوتاه‌مدت با توجه به تحقیقات زو وهمكارانش میزان پیش‌بینی علائم یك مرحله‌ای در سه بازار DJAAو NASDAQو STI آشكار بوده است و گستره‌ی آن‌ها بین ۲۷۵/۵۳ و ۷۳/۶۴% درصد بوده است. اعتبار تجربیات بیان شده در بالا، در باره‌ی جایگاه‌های اپتیمایز بهینه پارامتری می‌تواند در روند بهتر شدن میزان پیش‌بینی تا ۸۴ درصد مؤثر باشد. بنابراین ثابت شده روش پیشنهادی برای افزایش صحت پیش‌بینی‌های متغیر قیمت سهام، موجه و مؤثر است.

• بخشی از مقاله انگلیسی:

۵٫ Conclusions

Investing in the stock market is an important financial practice for many people around the world. Determining how to improve the prediction rate of stock returns is a great concern of many investors and researchers, and ANNs were proven to be an effective forecasting tool for stock return forecasting by many researchers. Most researchers use trial-and-error to determine the parameters of ANNs, so it is difficult to obtain sound prediction rates in financial arenas.

This research integrated a conventional experimental design, Taguchi’s parameter design method, and a back-propagation neural network (i.e., a design-of-experiment-based optimization) to improve the forecasting rate. For the short-term stock return forecasting compared to Zhu et al. (2008), the one-step sign prediction rate for short-term forecasting was revealed in three markets, DJIA, NASDAQ and STI, and they ranged 53.275–۶۴٫۷۳%. The abovedescribed experimental validation of the optimal parameter settings can effectively improve the forecasting rate to 84%. Thus, the proposed approach was proven feasible and effective for enhancing the accuracy of stock price variation predictions.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله