پیش بینی شاخص کل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت و بروز مشکل در مواقع بحرانی، توسعه یک مدل کار آمد برای پیش بینی شاخص کل سهام بسیار دشوار است. یکی از روشهای شناخته شده و جدید برای پیش بینی شاخص کل سهام، روش استفاده از شبکه های عصبی مصنوعی میباشد. هدف اصلی از این پژوهش طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و این تحقیق از نظر هدف، کاربردی و از نظر روش انجام تحقیق، توصیفی مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعه‌ی آماری این تحقیق، شاخص کل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 می باشد. در این پژوهش ابزاری که با آن به سنجش متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنین از شبکه عصبی مصنوعی چند لایه پرسپترون استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پیش بینی شاخص کل بورس اوراق بهادار تهران نسبت به سایر روش های تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص کل تا 7/1 درصد خطا را دارد و نیز تائید پیروی شاخص سهام بورس تهران از یک فرایند غیر خطی از دیگر نتایج این پژوهش بشمار می رود. Manuscript profile

Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The purpose of this work is an applied study which is conducted using description based on testing as method. The discussion is established on analytical-computational methods. In this research, the documents and statistics of the Tehran Stock Exchange are used to obtain the desired variables. Descriptive statistics and inferential statistics, as well as Perceptron multi-layer neural networks are utilized to analyze the data of this research. The results of this research show the confirmation of the high prediction accuracy of the Tehran Stock Exchange index compared to other estimation methods by the presented model, which has the ability to predict the total index with less than 1.7% error. Manuscript profile

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد. Manuscript profile