پيش بيني و بررسي رفتـار قيمـت سهام و جفت ارز، مقولـه اي اسـت كـه دانشـمندان علـوم مـالي و سرمايه گذاران همواره در پي آن هستند. دليل اصلي سرمايه گذاري در بازار سهام و فارکس، به دسـت آوردن سود است كه لازمة آن، داشتن اطلاعات درست از بازار بورس و تغييرات سهام و پيش بيني رونـد قیمتی آينده است.

بنابراين، سرمايه گذار  و تریدر نيازمند ابزارهاي قدرتمند و قابل اعتماد است، تا از طريـق آن به پيش بيني قيمت سهام بپردازد .باتوجه به افزايش تعداد سهام داران و تریدر ها در بازار بورس و توجه آنها بـه قيمـت سـهام های مختلـف در معاملات، پيش بيني روند حركتي قيمت اهميت بسـزايي دارد.

تاثیر هوش مصنوعی بر روی بازار بورس و فارکس

بسـياري از افـراد در زمان سرمايه گذاري، هنگام مقايسة جفت ارز ها و سهام مختلف، از روند حركتي قيمت آن استفاده مي كننـد. همچنين خواهان پيش بيني اين روند هستند تا بدانند روند افزايشي يا كاهشي قيمت سـهم مـورد نظر حدوداً تا چه زماني ادامه مييابد. پژوهش ها نشان مي دهد، استفاده از ابزارها و روش هاي پيش بيني سنتي، خطاي بـالايي دارد و بيشتر در مقايسه با روش هاي جديد تر و مدل هاي غيرخطي عملكرد ضعيف تري دارنـد.

در ايـن مقاله ، يكي از روش هاي هوش مصنوعي به نام ماشين بردار پشـتيبان، بـه همـراه يكـي از الگوريتم هاي پركاربرد در اين حوزه، براي پيش بيني روند حركتي قيمت سهام به كار گرفتـه شـده است. با پيشرفت هاي اخير در هوش مصنوعي، روش هاي جديدي براي پيش بيني ارائه شـده اسـت كه نسبت به روش هاي سنتي، از دقت بالاتري برخوردار هستند.

انواع مختلف الگوريتم های هوش مصنوعی در فارکس

افزايش روز افزون سرعت محاسبات به كمك رايانه، روش طراحي بهينه پارامترهـا در مسـائل را از طريق شبيه سازي روند تكاملي امكان پذير كرده است. امروزه، روش هاي برنامه نويسي تكـاملي و ازجمله آنها الگوريتم ژنتيك، به روش هاي بهينه سازي در مسائل پيش بينـي جايگـاه خاصـي داده است .

الگوريتم هاي ژنتيك كه دسـتة خاصـي از الگـوريتم هـاي تكـاملي هستند، به دفعات در حل مسائل دشوار علوم و مهندسي استفاده مي شوند. مـي تـوان گفـت، ايـن دسته الگوريتم ها روش مناسبي براي رسيدن به حل مسائل داراي پيچيدگي محاسـباتي، در يـك زمان مناسب هستند.

در هر زمان مي توان الگوريتم را متوقف كرده، جواب به دست آمده تا آن تكرار الگوريتم را استخراج كرد. چون الگوريتم داراي خاصيت تكاملي است، چنانچه خطاي موجـود در جواب به دست آمده پذيرفته نشود، ميتوان الگوريتم را ادامه داد تا به جوابي قانع كننده برسد.

زمان رسيدن به اين جواب چندان قابل پيش بيني نيست. اما با اجراي مكرر الگوريتم و استفاده از آمار و علم مربوط به آن، ميتوان تقريب زمان رسيدن اين الگوريتم تكاملي به جواب قانع كننده را حدس زد. الگوريتم هاي ژنتيكي، نياز به يافتن يك الگوريتم خاص براي مسئله را منتفي ميكنند و تنهـا كار لازم براي حل مسئله، مدلسازي و مقداردهي صحيح به پارامترهاي الگوريتم ژنتيـك اسـت.

الگوريتم شبكه های عصبی مصنوعی در بورس

 رايج ترين اين روشها، الگوريتم شبكه هاي عصبي مصنوعي است. با اين حال، شبكه هاي عصبي كاستي هايي دارند، مانند نياز بـه پارامترهاي كنترلي زياد، دشواري رسـيدن بـه نتيجـه اي پايـدار و غيـره. بـه دليـل وجـود چنـين‌ ضعف هايي، روش هاي بهتري براي بهبود مدل شبكه هاي عصبي طراحـي شـده اسـت

اين روش ها بـا اسـتفاده از قابليـت يـادگيري خـود، هرگونـه تغييـر ايجاد شده در قوانين نهفته در سري هاي زماني را فراگرفته، براي پيش بينـي آينـده از آن اسـتفاده مي كنند. ماشين بردار پشتيبان يكي از روش هـاي يـادگيري بـا نظـارت اسـت كـه در طبقه بندي و رگرسيون به كار برده مي شود.

 اين روش از جمله روش هاي به نسبت جديدي اسـت كه در سال هاي اخير كارايي خوبي نسبت به روش هاي قديمي تر طبقه بندي، از جمله شبكه هـاي عصبي نشان داده است. الگوريتم ژنتيك يك روش بهينه سازي الهـام گرفتـه از طبيعت جاندار است كه مي توان آن را يك روش جستوجوي عددي، مستقيم و تصادفي معرفـي كرد.

در پژوهش پيش رو با استفاده از مدل هاي يادشده و به كمك متغيـرهـاي ورودي كه 44 مورد هستند، به بررسي عملكرد دقت پيش بيني مدل هاي يادشـده پرداختـه شـده است. هدف اصلي اين پژوهش، بررسي كارايي مدل تركيبي در مقابل مدل ماشين بردار پشـتيبان ساده است. همچنين با استفاده از الگوريتم ژتنيك در مدل تركيبي، اثر تركيب بهينـه متغيرهـاي ورودي بر نتيجة كلي بررسي ميشود.

الگوریتم ژنتیک هوش مصنوعی در بازار فارکس

. الگوريتم هاي ژنتيكي همان گونه كه از نام آنها پيداست، ديد خود را از ژنتيك و مسائل مربوطه در اين حوزه گرفته اند. الگوريتم با ساخت يكسري رشـته بـه نـام كرومـوزوم و بـا انجـام عمليـات مشخص ژنتيكي، انتخاب، تركيب و جهش در طول حيات رشته ها، به سمت تكامل و بهتر شـدن آنها گام برمي دارد .

در پژوهشي با استفاده از تركيب ماشين بردار پشتيبان و الگوريتم ژنتيك، به پيش بينـي رونـد حركتي قيمت سهام پرداخته شده است. نتايج نشان داد، مدل تركيبي در مقايسـه بـا مـدل سـادة ماشين بردار پشتيبان از دقت بالاتري برخوردار است.

روش رگرسـيونی ناپارامتريک در هوش مصنوعی

مطالعه ديگري براي پيش بيني شاخص سهام، از يكپارچه سـازي الگـوريتم ژنتيـك بر پايـة ويژگي هايي در مقياس زمان با ماشين بردار پشتيبان استفاده كردند كـه يـك روش رگرسـيوني ناپارامتريك به شمار مي آيد. همچنین در مقايسه با روش هاي شبكه هاي عصبي، SVM  ساده يا مدل هاي سنتي GARCH نتيجة بهتري داشت.

پژوهشگران بـا تركيـب رگرسـيون ماشـين بـردار پشـتيبان و SOM كـه يـك الگـوريتم  دسته بندي است؛ به پيشبيني قيمت سهام پرداخته اند. با توجـه بـه نتـايج بـه دسـت آمـده مـدل دومرحله اي يادشده از مدل ساده SVR عملكـرد بهتـري داشـته اسـت.

در ادامه پژوهش ها، از روش تركيبي رگرسيون ماشـين بـردار پشـتيبان و SOFM اسـتفاده كرده اند. كه به كمك يك روش فيلترشده براي بهتر شدن دقت پيش بيني انجام مي شود. ابتـدا بـه كمك فيلتر كردن، ويژگي هاي مهم ورودي را انتخاب كرده، سپس با SOFM نمونه هاي آموزشي دسته بندي ميشود و SVR شاخص قيمتي سهام را پيش بيني ميكند. نتايج نشان داده است كـه روش تركيبي از SVR ساده، بهتر است.

در زمينة پيش بيني روند حركت قيمت سهم در داخل كشور مطالعاتي انجام نشده است، ولـي گفتني است كه كاربرد روش ماشين بردار پشتيبان در پيشبيني درماندگي مالي شركت ها بررسي شده است.

شـبكه هـای عصبی فازی

يكي از پژوهش هاي مربوط به پيش بيني شـاخص بـورس اوراق بهـادار در سـال هـاي اخيـر، به روش شبكه هاي عصبي انجام شده است . نتـايج پژوهش نشان داده است كه شبكه هاي عصبي عملكرد بهتري نسبت به مـدل خطـي ARIMA براي پيشبيني شاخص قيمت دارند.

در پژوهشي قيمـت سـهام در بـازار بـورس اوراق بهادار، به كمك شبكة عصبي فازي و الگوريتم هاي ژنتيك پيش بينـي شـده و نتـايج آن بـا روش شبكة عصبي مصنوعي مقايسه شده است.

نتايج نشان داده است كه مـدل تركيبـي شـبكه هـاي عصبي فازي و الگوريتم هاي ژنتيك پيش بيني هاي بسـيار مناسـب تـري داشـته اند.همچنین  در مقايسـه بـا شبكه هاي عصبي منفرد، از سرعت بالاتر و توانايي قوي تري براي پيش بيني قيمت سـهام برخوردار است.