Stock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelligent method, it is possible to predict stock price time series more accurately. Artificial neural networks (ANNs) are one of the most promising biologically inspired techniques. ANNs have been widely used to make predictions in various research. The performance of ANNs is very dependent on the learning technique utilized to train the weight and bias vectors. The proposed study aims to predict daily Tehran Exchange Dividend Price Index (TEDPIX) via the hybrid multilayer perceptron (MLP) neural networks and metaheuristic algorithms which consist of genetic algorithm (GA), particle swarm optimization (PSO), black hole (BH), grasshopper optimization algorithm (GOA) and grey wolf optimization (GWO). We have extracted 18 technical indicators based on the daily TEDPIX as input parameters. Therefore, the experimental result shows that grey wolf optimization has superior performance to train MLPs for predicting the stock market in metaheuristic-based. تفاصيل المقالة

پیش‌بینی و آنالیز حرکات بازار سهام موضوع بسیار مهم برای محققان، معامله گران و تحلیل گران بازار می باشد و نقش مهمی در اقتصاد امروز دارد. تنوع در سیاست هایی مانند سیاست های دولتی و سیاست های اقتصادی بر بازار سرمایه تأثیر می گذارند و باعث تغییرات قیمتی سهام می شوند. پیش‌بینی حرکات بازار به‌صورت روزانه، به دلیل غیرخطی بودن و آشوبناک بودن حرکات قیمت سهام کار بسیار مشکلی می باشد. روش های مختلفی برای پیش‌بینی در بورس وجود دارد. تکنیک های هوش مصنوعی به‌صورت گسترده برای پیش‌بینی داده های با ساختار غیرخطی و آشوبناک به کار گرفته‌شده‌اند. یکی از این تکنیک‌ها استفاده از شبکه‌های عصبی می‌باشد. درصورتی‌که شبکه عصبی به‌درستی آموزش داده شود، خطای کمتری در پیش‌بینی خواهد داشت. در این پژوهش با استفاده از ۸ الگوریتم فراابتکاری اقدام به آموزش شبکه عصبی پرسپترون چندلایه خواهیم کرد و به پیش‌بینی شاخص کل بورس تهران خواهیم پرداخت. نتایج به‌دست‌آمده از این پژوهش نشان داد که الگوریتم بهینه‌سازی گرگ خاکستری دارای کمترین خطا در آموزش شبکه عصبی دارد. تفاصيل المقالة