گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” سیستم شبکه عصبی برای پیش بینی قیمت سهام ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مطالعه سیستم های شبکه عصبی خفاشی در پیش بینی قیمت سهام: مطالعه موردی در قیمت سهام DAX |
| عنوان انگلیسی مقاله: |
A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2015 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | علوم اقتصادی و مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات، هوش مصنوعی، برنامه ریزی سیستم های اقتصادی و اقتصاد مالی |
| مجله | محاسبات نرم کاربردی – Applied Soft Computing |
| دانشگاه | گروه مدیریت، علم و فناوری، دانشگاه صنعتی امیر کبیر، تهران، ایران |
| کلمات کلیدی | شبکه عصبی مصنوعی، پیش بینی قیمت، الگوریتم خفاشی، سیستم های چندگانه، تحلیل های اساسی، قیمت سهام DAX |
| شناسه شاپا یا ISSN | ISSN 2014.12.028 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 27 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1.مقدمه
۲. پیشینه تحقیق
۳. معماری و ساختار مدل ارائه شده
۳.۱. اهداف نظام
۳.۲. نقش سیستم
۳.۳. شرح عوامل
۳.۳.۱. جمع آوری داده ها و تشخیص ویژگی
۳.۳.۲. عامل پردازش اطلاعات گروهی
۳.۳.۳. واحد مدلسازی گروهی
۳.۳.۴. عامل نمایندگی دانش گروهی
۴. نتایج تجربی
۴.۱. اطلاعات
۴.۲. پیاده سازی مدل BNNMAS برای پیش بینی قیمت سهام
۴.۳. تجزیه و تحلیل عملکرد از مدل ارائه شده BNNMAS
5. نتیجه گیری
- بخشی از ترجمه:
5. نتیجه گیری
در این تحقیق چهار لایه معماری BNNMAS برای برخورد با طبیعت توزیع شده مشکل پیش بینی سهام ارائه شده است. استفاده از روش چند عامل برای ایجاد کارهای فرعی مستقل و مستقل به طراحی یک مدل دقیق پیش بینی شده است. BNNMAS با استفاده از روش پردازش در راه موازی مانند داده های عادی، زمان انتخاب تاخیر و انتخاب ویژگی های مناسب با داده ها، کار عملیات را انجام می دهد. روش فراابتکاری به نام خفاش برای آموزش شبکه عصبی مصنوعی استفاده می شود و به تازگی توسعه یافته. به منظور بررسی دقت پیش بینی مدل، با استفاده از داده های موجود بین سال های ۱۹۷۲ تا ۲۰۱۲ برای پیش بینی قیمت سهام DAX تست شده است. محاسبه آمار MAPE نشان داد که مدل BNNMAS پیشنهادی قابل توجهی بهتر از برخی از مدل های دیگر مانند GANN، و غیره است و علاوه بر این داده ها از آزمون ما شامل هشت سال تا پایان سال ۲۰۱۲ است، و به دلیل بحران مالی در این دوره از زمان دقت خوبی در نتایج داده ها اتفاق افتاده است. BNNMAS قابلیت قوی در این مدل نشان داد. بنابراین سرمایه گذاران قادر به مقابله با افزایش عدم اطمینان از پیچیدگی در مجموعه داده ها هستند. تلاش پژوهش های آینده اختصاص داده شده به استفاده از مدل ارائه شده در موارد دیگر برای ارزیابی استحکام مدل، اجرای یک لایه از جمله جمع آوری داده های کمی و کیفی برای ایجاد یک مجموعه داده جامع، اجرای مرحله برنامه ریزی سناریو به تکمیل تمام مدل ارائه شده و ارائه سهام بر اساس سناریوهای توسعه یافته است.
- بخشی از مقاله انگلیسی:
5. Conclusion
In this research we proposed a four layer BNNMAS architecture for dealing with the distributed nature of stock prediction problem. We used multi-agent approach to create autonomous and independent subtasks to design an accurate prediction model. Our BNNMAS uses preprocess methods in a parallel way such as data normalization, time lag selection and feature selection. We applied a recently developed metaheuristic method named bat to train an artificial neural network. To evaluate the prediction accuracy we tested our model using 1972–2012 quarterly data to predict DAX stock price. Calculating MAPE statistic showed that our proposed BNNMAS model significantly works better than some other models such as GANN, etc. Moreover our test data containing eight years end to 2012, and because of the financial crisis happened in this period of time the good accuracy reached by BNNMAS showed the robust capability of the model. In addition we focused on fundamental data to improve long term prediction accuracy refers to researches did in the literature. So investors are able to deal with the uncertainty rise from the complexity exist in dataset inherently. Future research effort will be devoted to (1) applying proposed model on other cases to evaluate the robustness of the model, (2) implementing layer one including gathering quantitative and qualitative data to create a comprehensive dataset, (3) executing scenario planning phase to complete the whole proposed model and offering stocks based on developed scenarios.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
سیستم چند منظوره شبکه عصبی برای پیش بینی قیمت سهام: مطالعه موردی قیمت سهام DAX |
| عنوان انگلیسی مقاله: |
A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price |
|
|