کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
388835 660941 2009 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Efficient prediction of stock market indices using adaptive bacterial foraging optimization (ABFO) and BFO based techniques
ترجمه فارسی عنوان
پیش بینی کارای شاخصهای بازار سهام با استفاده بهینه سازی جستجوی باکتریایی تطبیقی(ABFO) و تکنیکهای مبتنی بر BFO
کلمات کلیدی
پیش بینی بازار سهام - بهینه سازی جستجوگری باکتریایی - تطبیق ​​بهینه سازی جستجوگری باکتریایی - الگوریتم ژنتیک و بهینه سازی گروهی ذرات -
فهرست مطالب مقاله
چکیده
کلیدواژه
1. معرفی
2. مبانی BFO  و BFO تطبیقی
3. کاربرد BFO و ABFO در پیش بینی بازار سهام
3.1 ارائه مدل پیش بینی بر اساس BFO
جدول 1: شاخصهای فنی انتخاب شده و فرمول آنها
4. مطالعه شبیه سازی
4.1 داده های تجربی
4.2. آموزش و تست مدل پیش بینی
جدول 2: مقایسه MAPE  برای شاخص سهام S & P 500  به دست آمده از مدل های مختلف
جدول 3: مقایسه MAPE  برای شاخص سهام S & P 500  به دست آمده از مدل های مختلف
5. بحث و نتایج 
6. نتیجه گیری
ترجمه چکیده
مقاله حاضر به معرفی استفاده از تکنیک های BFO و ABFO در ارائه یک مدل پیش بینی کارا می پردازد که برای تخمین شاخصهای مختلف سهام به کار می رود. ساختار استفاده شده در این مدل پیش بینی یک ترکیب خطی ساده است. وزنهای مرتبط مدل های مبتنی بر ترکیب خطی تطبیقی با استفاده از ABFO و BFO و به حداقل رساندن خطای مربع میانگین (MSE) بهینه سازی خواهند شد. عملکرد پیش بینی کوتاه مدت و بلند مدت این مدلها با تست داده ها ارزیابی خواهد شد و نتایج به دست آمده با نتایج حاصل از الگوریتم ژنتیک (GA) و مدلهای مبتنی بر بهینه سازی ازدحام ذرات (PSO) مقایسه خواهند شد. به طور کلی مشاهده می شود مدل های جدید از نظر محاسباتی کارآمد تر، از نظر پیش بینی منطقی دقیق تر بوده و در قیاس با سایر مدلهای محاسباتی تکاملی مثل مدلهای مبتنی بر GA و POS، همگرائی سریعتری را نشان می دهند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
پیش بینی کارای شاخصهای بازار سهام با استفاده بهینه سازی جستجوی باکتریایی تطبیقی(ABFO) و تکنیکهای مبتنی بر BFO
چکیده انگلیسی
The present paper introduces the use of BFO and ABFO techniques to develop an efficient forecasting model for prediction of various stock indices. The structure used in these forecasting models is a simple linear combiner. The connecting weights of the adaptive linear combiner based models are optimized using ABFO and BFO by minimizing its mean square error (MSE). The short and long term prediction performance of these models are evaluated with test data and the results obtained are compared with those obtained from the genetic algorithm (GA) and particle swarm optimization (PSO) based models. It is in general observed that the new models are computationally more efficient, prediction wise more accurate and show faster convergence compared to other evolutionary computing models such as GA and PSO based models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 36, Issue 6, August 2009, Pages 10097–10104
نویسندگان
, , , ,