دانلود ترجمه مقاله کاربرد مدل فازی-عصبی در پیش بینی سهام با شاخص های بازار ترکیبی – مجله ACM

• فهرست مطالب:

 چکیده
۱ مقدمه
۲ کارهای مربوطه
۳ مدل هیبرید(ترکیبی) پیشنهادی
۴ روش
۴ ۱ جمع آوری و پیش پردازش داده ها
۴ ۲ متغیر های ورودی
۴ ۳ پیاده سازی و اجرا
۵ نتایج و بحث
۶ نتیجه گیری

•  بخشی از ترجمه:

۶ نتیجه گیری

شاخص خایفنی به طور گسترده ای در پیش بینی قیمت های سهام با شبکه های عصبی مصنوعی استفاده شده اند. با این وجود، عملکرد آن ها معمولا رضایت بخش نیست. به علاوه، در سال های اخیر، مدل های هیبریدی که ترکیبی از شبکه های عصبی مصنوعی و سایر روش های هوشمند با شاخص های فنی هستند برای بهبود سطح صحت پیش بینی قیمت سهام با نتایج متغیر استفاده شده اند.
در این مقاله، مدل پیش بینی پیشرفته برای پیش بینی قیمت سهام بر اساس نظرات کارشناسان با شاخص های فنی و بنیادین با استفاده از معماری عصبی فازی ارایه شده است. نتایج تجربی موید عملکرد برتر مدل پیشنهادی برای بهبود صحت پیش بینی قیمت سهام نسبت به رویکرد سنتی استفاده از مدل شبکه عصبی با شاخص های فنی بودند. از این روی، مدل پیش بینی پیشنهادی پتانسیل بهبود کیفیت تصمیم گیری سرمایه کذاران را در بازار سهام با ارایه پیش بینی صحیح تر از سهام دارد. پیاده سازی و اجرای کامل مدل به صورت انلاین یا بر روی پلاتفرم های سیار بدون شک به توسعه امور مالی الکترونیکی کمک می کند. در کار های آینده، اثر متغیر های نظرات کارشناسان بر روی کیفیت پیش بینی قیمت سهام بررسی خواهد شد.

• بخشی از مقاله انگلیسی:

۶ Conclusion

Technical indices had been widely used in forecasting stock prices with artificial neural networks. Nevertheless, their performance is not always satisfactory. Moreover, in recent times, hybrid models that combine ANNs and other intelligent techniques with technical indices had been engaged to improve accuracy level of stock price prediction with varying results.

In this paper, an improved predictive model for stock price prediction based on experts’ opinion with technical and fundamental indices using fuzzy-neural architecture is presented. The empirical results confirmed superior performance of the proposed model to improve forecasting accuracy of stock price over the conventional approach of using ANN model with technical indicators. Therefore, the proposed predictive model has the potential to enhance the quality of decision making of investors in the stock market by offering more accurate stock prediction. Full implementation of the model online and on mobile platform would no doubt contribute to the development of electronic finance. In future work, the critical impact of specific experts’ opinion variables on quality of stock price prediction will be examined