یک الگوریتم کلونی Bee مصنوعی با هدایت سریع برای پیش بینی قیمت بازار سهام

هدف از این کار ارائه یک الگوریتم یادگیری سریع کلونی Bee مصنوعی GBEST (ABC) برای آموزش مدل شبکه عصبی Feedforward (QGGABC-FFNN) برای پیش بینی روند در بازارهای سهام است. از آنجا که دانستن اینکه امروزه ، پیش بینی روندها از روندها یک مسئله جهانی مالی مهم است ، بسیار مهم است. دانشمندان ، مدیریت امور مالی ، شرکت ها و رهبری یک کشور خاص در جهت توسعه یک موقعیت مالی قوی تلاش می کنند. چندین ابزار فنی ، صنعتی ، اساسی ، علمی و آماری با نتایج متفاوت ارائه شده و مورد استفاده قرار گرفته است. با این وجود ، پیش بینی روند دقیق یا نزدیک به عملکرد ارزش سهام سهام یک مشکل باز است. از این نظر ، در نسخه فعلی ، ما یک الگوریتم را بر اساس ABC پیشنهاد می کنیم تا با استفاده از تکنیک ترکیبی بر اساس شبکه عصبی و هوش مصنوعی ، خطا را در روند و مقادیر واقعی به حداقل برساند. رویکرد ارائه شده برای پیش بینی روند دقیق مقادیر بورس سهام سعودی (SSM) تأیید و آزمایش شده است. QGGABC-ANN بر اساس الگوریتم یادگیری الهام گرفته از زیستی با درجه بالایی از دقت آن می تواند به عنوان مشاور سرمایه گذاری برای سرمایه گذاران و بازرگانان در آینده SSM استفاده شود. رویکرد پیشنهادی عمدتاً بر اساس داده های تاریخی SSM است که مدت زمان زیادی را پوشش می دهد. از یافته های شبیه سازی ، QGGABC-FFNN پیشنهادی در مقایسه با سایر الگوریتم های محاسباتی معمولی برای پیش بینی مقادیر SSM بهتر عمل می کند.

1. مقدمه

در دنیای جدید جهانی ، این یک هدف جهانی بوده است که بدون استرس زندگی فرد را بدون استرس انجام دهد و خود را برای چالش های آینده بدون هیچ گونه فشار آماده کند. یک مفهوم اساسی در جامعه این است که ثروت آسایش و تجملات را به ارمغان می آورد ، بنابراین جای تعجب ندارد که تحقیقات زیادی در مورد راه های پیش بینی ارزش بازار سهام انجام شده است. این به دلیل مسائل جهانی مانند افزایش جمعیت ، حمل و نقل ، مشکلات آب و تجارت است [1]. علاوه بر این ، عدم وجود ابزارهای پیش بینی مناسب ، آن را برای محققان جذاب تر می کند. بازار سهام یک بازار جامعه برای تجارت روزانه سهام شرکت با قیمت سهام تأیید شده است که بستگی به شکاف تقاضا و عرضه ، کیفیت ، منطقه و محیط جهانی نیز دارد. بنابراین ، روند پیش بینی بازار سهام مسئله مهمی در امور مالی برای همه کشورهای توسعه یافته است. SSM نقش مهمی در توسعه اقتصادی بسیاری از کشورها از جمله مصر ، هند ، بنگلادش ، پاکستان ، فیلیپین ، چین ، ژاپن ، آمریکا ، ایالات متحده ، افغانستان و اندونزی دارد.

دانشمندان و محققان علوم اقتصادی و کامپیوتر در تلاش برای توسعه ابزارهای قدرتمند موقعیت مالی بوده اند. رویکردهای متعددی از جمله رویکردهای ریاضی ، آماری ، اقتصادی و محاسباتی برای پیش بینی موقعیت اقتصادی کشورهای مختلف پیشنهاد شده و مورد استفاده قرار گرفته است. متأسفانه ، به طور کلی ، این رویکردها برای پیش بینی مقادیر SSM به طور کارآمد مناسب نیستند. هیچ تحقیق خاصی برای پیش بینی مقادیر SSM انجام نشده است.

به طور سنتی ، روشهای مختلف پیش بینی آماری [2،3] مانند رگرسیون خطی ، تجزیه و تحلیل سری زمانی و نظریه هرج و مرج برای پیش بینی رفتار روند قیمت سهام استفاده شد. با این حال ، این روش ها به دلیل عدم اطمینان آنها تا حدی موفقیت آمیز بودند. به عنوان جایگزینی برای این رویکردها ، تکنیک های محاسبات نرم مانند شبکه عصبی مصنوعی [4،5] و الگوریتم تکاملی [6] به طور گسترده ای برای ضبط روند غیرخطی قیمت بورس استفاده می شود. در این رویکردها ، شبکه عصبی مصنوعی (ANN) این توانایی را دارد که خود را مطابق با اطلاعات داده شده تنظیم کند در حالی که الگوریتم تکاملی برای یافتن راه حل جهانی یا نزدیک به گلوبال مسئله ضبط شده است. محققان با حفظ مزایای توانایی تنظیم خود ، توجه بیشتری به الگوریتم های ANN و تکاملی می کردند و چندین الگوریتم را برای حل مشکلات ارائه می دادند. در آن ، عملکرد به الگوریتم یادگیری ، ماهیت مجموعه داده ها و توپولوژی مناسب بستگی دارد. الگوریتم آموزش متداول ، الگوریتم تبلیغات پشتیبان (BP) است [7] که در معرض خطر چسبیدن به حداقل های محلی است ، بنابراین BP ممکن است منجر به عدم موفقیت در یافتن راه حل بهینه جهانی شود. از طرف دیگر ، استفاده از الگوریتم های تکاملی (EAS) روشی موفق برای یافتن راه حل جهانی است. مهمترین مزایای EAS این است که پیدا کردن مشتق توابع لازم نیست و آنها به جای قوانین قطعی برای به روزرسانی راه حل ها از قوانین انتقال احتمالی استفاده می کنند. تاکنون چندین محقق الگوریتم های مختلفی مانند تکامل دیفرانسیل (DE) [8] ، جستجوی هارمونی (HS) [9] ، الگوریتم ژنتیکی (GA) [10] ، بهینه سازی ذرات (PSO) را ارائه داده اند [11] ،کلونی زنبور عسل (ABC) [12،13] ، و برخی از الگوریتم های ترکیبی [14،15،16]. تحت این الگوریتم ها ، عبدالس-سالام و همکاران.[17] الگوریتم DE و PSO را برای آموزش شبکه عصبی خوراک پیش رو برای پیش بینی قیمت سهام مقایسه کرد. گارگ [15] یک الگوریتم ترکیبی PSO-GA را برای حل مشکلات مختلف بهینه سازی محدودیت ارائه داد. در این روش ، از PSO برای کشف راه حل استفاده می شود در حالی که GA برای به روزرسانی راه حل استفاده می شود. در [18] ، نویسندگان یک الگوریتم سریع ABC را برای حل مشکلات بهینه سازی ارائه داده اند. گارگ [16] الگوریتم ABC با هدایت مجازات را برای حل مشکلات طراحی مهندسی سازه ارائه داد. در [19،20] ، نویسندگان یک الگوریتم ترکیبی ABC را برای آموزش شبکه های خنثی و همچنین پیش بینی داده های سری زمانی ارائه داده اند.

در زمینه پیش‌بینی‌های سری زمانی، نویسندگان [21،22،23] رویکردی مبتنی بر EA برای حل مشکلات زمان سهام ارائه کرده‌اند.

بنابراین، با حفظ مزایای شبکه عصبی مصنوعی و EA، هدف این مقاله یافتن یک سیستم پیش‌بینی برای ارزش‌های بازار سهام عربستان (SSM) مبتنی بر داده‌های تاریخی SSM است که یک بازه زمانی بزرگ را پوشش می‌دهد که می‌تواند پیش‌بینی کند. بسته شدن قیمت سهام دقیقابرای آن، ما یک الگوریتم مبتنی بر ABC برای به حداقل رساندن خطا در روند و مقادیر واقعی با استفاده از تکنیک ترکیبی مبتنی بر شبکه عصبی و هوش مصنوعی پیشنهاد می‌کنیم. برای افزایش روش‌های اکتشاف و بهره‌برداری از EA، ما یک الگوریتم یادگیری کلنی زنبورهای مصنوعی با هدایت سریع Gbest (ABC) برای آموزش مدل شبکه عصبی پیش‌خور (QGGABC-FFNN) ارائه کردیم. در آن، میزان مؤثر استراتژی‌های بهره‌برداری و اکتشاف از طریق بهترین راهبرد جهانی زنبور عسل (gbest) و استراتژی زنبور سریع افزایش می‌یابد [24]. رویکرد ارائه شده برای پیش‌بینی روند دقیق مقادیر SSM تأیید و آزمایش شده است.

بقیه مقاله به صورت زیر سازماندهی شده است: در بخش 2، مفهوم شبکه های عصبی پیشخور را ارائه می کنیم. در بخش 3، مفاهیم الگوریتم ABC را برای حل مسئله بهینه سازی ارائه می کنیم. در بخش 4، ما یک الگوریتم QGGABC برای حل مشکل پیش‌بینی داده سری زمانی ارائه می‌کنیم. بخش 5 رویکرد ارائه شده را نشان می دهد، آن را بر روی مقادیر SSM آزمایش می کند و نتایج را مورد بحث قرار می دهد. در نهایت، یک نتیجه گیری و کار آینده در بخش 6 بیان شده است.

2. شبکه های عصبی و بازار سهام عربستان

بازار سهام، بازاری عمومی برای دادوستد سهام شرکت و مشتقات آن با قیمت، حجم و کیفیت توافق شده است. اینها اوراق بهادار فهرست شده در بورس اوراق بهادار و همچنین اوراقی هستند که فقط به صورت خصوصی معامله می شوند [1]. بازار ثانویه نیز نامیده می شود، زیرا شامل تجارت بین دو سرمایه گذار، نهاد نظارتی عمومی و سرمایه گذاران خصوصی است [25]. SSM قطب اقتصادی کشورهای مختلف به ویژه برای مناطق آسیایی و خلیج فارس است [26]. بنابراین، پیش‌بینی بخشی ضروری از اقتصاد KSA برای سهامداران و سرمایه‌گذاران است تا قیمت ارزش سهام را تخمین بزنند و از قبل بهترین فرصت معاملاتی را به طور دقیق در بین سازمان‌های سودآور مختلف انتخاب کنند.

شبکه‌های عصبی (NN) ابزارهای قدرتمند پیش‌بینی محاسباتی نرم هستند که ارزش‌های مختلف بازار سهام را پیش‌بینی می‌کنند [27]. این یک مدل ریاضی غیر خطی است که برای ترسیم مقادیر گذشته و آینده مجموعه داده‌های سری زمانی به منظور تحلیل روندهای آتی استفاده می‌شود. اصالت شبکه‌های عصبی مصنوعی در توانایی آن‌ها برای تعیین روابط غیرخطی در مجموعه داده‌های ورودی بدون پیش‌فرض قبلی از دانش نقشه‌برداری بین الگوهای ورودی و خروجی در حوزه‌های مختلف دانش مانند علوم کامپیوتر، تحقیقات مطالعات اجتماعی، مهندسی، زیست‌شناسی نهفته است.، و علوم ریاضی [23،25]. ابزارهای ANN برای طبقه بندی و پیش بینی وظایف مجموعه داده های سری زمانی مالی، به ویژه ارزش های بازار بورس به دلیل رفتارهای غیرقابل پیش بینی آنها بسیار معروف هستند [22].

برای پیش‌بینی بورس اوراق بهادار KSA، هیچ یک از روش‌های سری زمانی سنتی ثابت نکرده است که ابزارهای پیش‌بینی دائمی صحیحی هستند که سرمایه‌گذاران دوست دارند داشته باشند. با این حال، روش‌های یادگیری ماشین با موفقیت برای پیش‌بینی ارزش بورس عربستان سعودی استفاده شده است. برای مثال، سیستم‌های فازی ژنتیکی (GFS) و ANN که برای ساختن یک سیستم خبره پیش‌بینی قیمت سهام استفاده می‌شوند، دقت بالایی را برای خطوط هوایی و مراکز فناوری اطلاعات به دست آورده‌اند [21]. برای پیش‌بینی بهتر قیمت سهام برای سرمایه‌گذاران از سه روش انتخاب ویژگی معروف، که عبارتند از: تجزیه و تحلیل مؤلفه اصلی، GA، و درخت تصمیم با الگوریتم BP استفاده شد. برای تحلیل بورس از سیستم استنتاج عصبی فازی استفاده شد. GA با شبکه عصبی پیش‌خور (FFNN) برای پیش‌بینی قیمت‌های بازار سهام استفاده شد [28]. با این حال، BPNN و GA برای SSM برای پیش‌بینی جهت تغییرات قیمت روزانه استفاده شدند، اما به دلیل سرعت همگرایی آهسته و به دام افتادن در حداقل‌های محلی [22].

پرسپترون چندلایه (MLP)، که به عنوان FFNN نیز شناخته می‌شود، توسط F. Rosenblatt برای حل مسائل طبقه‌بندی غیرخطی XOR معرفی شد و سپس با موفقیت در مسائل مختلف علوم و مهندسی اعمال شد [29]. MLP بسیار مورد استفاده قرار می گیرد و با مشکلات مالی مانند پیش بینی بازار بورس اوراق بهادار آزمایش می شود. از اجزای فیزیکی به نام نورون ها و ارتباط بین آنها تشکیل شده است [30]. معماری پایه MLP با یک ورودی، دو لایه پنهان و یک خروجی در شکل 1 نشان داده شده است.

اگر بردار وزن‌ها را w فرض کنیم، x بردار ورودی‌ها، b بایاس، و f تابع فعال‌سازی است، خروجی از طریق نورون‌های MLP به صورت ریاضی محاسبه می‌شود.

در اینجا ، متداول ترین عملکرد فعال سازی نورون پنهان ، عملکرد سیگموئید است که توسط معادله (2) داده می شود.

در طی فرایند ، گاهی اوقات مشکل یادگیری تحت نظارت MLP نتوانست ANN را به طور مؤثر آموزش دهد و نمی تواند مشکلات پیچیده داده شده را به روشی کارآمد حل کند. علاوه بر این ، روشهای الگوریتم های معمولی به دلیل مقادیر وزن زیر حد متوسط ، تعداد اشتباه انتخاب پارامترها ، ساختار شبکه نامناسب و روش کاملاً تصادفی آموزش در حداقل های محلی به دام افتاده اند. به منظور غلبه بر آن ، الگوریتم های یادگیری با الهام از زیستی برای MLP مانند ABC ، ACO و CS پیشنهاد شده است. در اینجا ، در این رویکردها ، شبکه عصبی مصنوعی (ANN) این توانایی را دارد که خود را مطابق با اطلاعات داده شده تنظیم کند در حالی که الگوریتم تکاملی برای یافتن راه حل جهانی یا نزدیک به مشکل جهانی ضبط شده است. بنابراین ، ما ایده EAS را در مطالعه حاضر گنجانیده ایم و یک روش کارآمد به روز شده جدید را بر اساس رفتارهای هوشمندانه زنبورهای زنبور عسل ارائه داده ایم ، که برای هدایت ANN با پارامترهای کنترل مناسب استفاده می شود. از الگوریتم ارائه شده در اینجا برای آموزش و آزمایش MLP برای پیش بینی قیمت SSM سازمان های مختلف تجاری استفاده شده است.

3. الگوریتم های یادگیری با الهام از زنبورها

منبع غنی از الهام طبیعت است که بسیاری از محققان را به ایجاد یک رویکرد الهام گرفته از طبیعت برای حل مشکلات پیچیده انگیزه داده است. بنابراین ، از دهه گذشته ، الگوریتم های الهام گرفته از زیستی به دلیل رفتارهای طبیعی و نتایج کارآمد مشهور شده اند. هیبریداسیون این الگوریتم ها ، یا با رویکردهای معمولی محاسباتی یا الهام بخش زیستی ، محبوب تر شده است. اینها De [8] ، HS [9] ، GA [10] ، PSO [11] ، ABC [12،13،24] و برخی از الگوریتم های ترکیبی هستند [14،15،31،32]. این الگوریتم ها ، که همچنین به آن هوش عمومی Swarm گفته می شود ، بر اساس برخی از ویژگی های موفق یک سیستم بیولوژیکی مانند زنبورها ، پرندگان ، ماهی ها ، حیوانات و غیره کار می کند. الگوریتم ABC توسط Dervish Karaboga بر اساس رفتار زنبورهای عسل تهیه شده است [33]. جزئیات ABC و انواع مختلف آن در بخش های زیر آورده شده است.

3. 1الگوریتم کلونی زنبور عسل (ABC)

ABC یکی از جذاب ترین الگوریتم های الهام گرفته از زیستی است که برای حل مشکلات پیچیده علم و مهندسی ساخته شده است [13] که رفتار علوفه زنبورهای عسل را شبیه سازی می کند. این در گروه الگوریتم های متا-هوریستی مشخص می شود. در این الگوریتم ، ویژگی های زنبورها به سه جنبه یعنی زنبورهای Onlooker و Scout تقسیم می شوند. در طی فرایند ، فرآیند استثمار توسط زنبورهای شاغل و onlooker انجام می شود در حالی که زنبورهای پیشاهنگ برای فرآیند اکتشاف از طریق استراتژی زیر استفاده می شوند ، همانطور که در معادله (3) آورده شده است._ijجایی که v_ijتعداد راه حل های جدید در محله X را نشان می دهد

برای زنبورهای شاغل ، K یک راه حل در همسایگی I است و θ یک عدد تصادفی در محدوده است [1 - 1].

اگرچه الگوریتم ABC به دلیل استحکام و راندمان بالا برای خوشه بندی ، طبقه بندی و مشکلات بهینه سازی عملکرد عددی مشهور است ، به دلیل بهره برداری از همان رویکرد ، پیدا کردن راه حل بهینه تضمین نمی شود. همچنین ، گاهی اوقات در حداقل محلی به دام می افتد. محققان الگوریتم معمولی ABC را با استفاده از استراتژی های مختلف مانند GBEST هدایت شده و سریع کار ، بینندگان و زنبورهای پیشاهنگ بهبود بخشیدند.

3. 2الگوریتم کلونی زنبور عسل GBEST هدایت شده (GGABC)

مقدار کافی و متعادل فرآیند اکتشاف و بهره برداری می تواند عملکرد الگوریتم های الهام گرفته از زیستی را افزایش دهد ، به ویژه از رویکرد ABC استفاده می شود. راه حل بهینه جهانی را می توان به راحتی از طریق فرآیند اکتشاف و بهره برداری قوی در یک منطقه معین بایگانی کرد. الگوریتم GGABC نسخه بهبود یافته ABC معمولی است که از بهترین فرآیند جهانی PSO برای افزایش میزان بهره برداری مشابه اکتشاف استفاده می کند [24]. بنابراین ، زو و کوونگ [24] بهترین رویکرد جهانی PSO را در الگوریتم معمولی ABC برای یافتن و انتخاب بهترین راه حل در جمعیت تعریف شده ادغام کرده بودند. در الگوریتم GGABC ، معادله (3) اصلاح شده است ،_jجایی که_ij is a uniform random number in [0, C ], C >آیا GBEST راه حل جمعیت است ، ψ

0. مقدار C می تواند توانایی بهره برداری را متعادل کند. برای اطلاعات بیشتر ، ما به Ref.[24]

3. 3الگوریتم کلونی زنبور عسل سریع (QABC)

الگوریتم QABC [18] یک پسوند از ABC استاندارد است که GBEST رفتار هوشمندانه علوفه زنبورهای عسل را شبیه سازی می کند. در الگوریتم استاندارد ABC ، زنبورهای شاغل و Onlooker هر دو به روزرسانی با همان معادله (3) برای تعیین راه حل های جدید. با این حال ، در [18] نویسندگان آن را با اصلاح مرحله زنبورهای Onlooker با معادله (6) به روز کرده اند

جایی که x n m b e s t بهترین راه حل را در بین همسایگان x m و خود (n m) نشان می دهد. برای اطلاعات بیشتر ، ما به Ref.[18]

4- پیشنهادی: الگوریتم کلونی زنبور عسل GBEST سریع هدایت شده

ABC معمولی یک الگوریتم کارآمد با الهام از زیستی برای حل طیف گسترده ای از مشکلات پیچیده علم و مهندسی است [12،13،24]. اگرچه درک و اجرای آن آسان است ، اما گاهی اوقات به دلیل فرایند اکتشاف و بهره برداری ضعیف در مینیما محلی به دام می افتد. فاز زنبور عسل ABC از طریق رویکرد هدایت شده GBEST به نام GGABC بهبود یافته است ، همانطور که در بخش 3. 2 ذکر شد. این کار با موفقیت عملکرد زنبورهای شاغل و چشمگیر را با همان استراتژی بهره برداری بهبود بخشیده است. با این حال ، بخش زنبورهای پیشاهنگی هنوز از همان روش انتخاب تصادفی ABC استفاده می کنند. بعداً ، Karaboga مرحله انتخاب زنبورهای Onlooker معمولی ABC را اصلاح کرد هرچند معادله (6). با این حال ، بخش زنبورهای شاغل برای روند بهره برداری قوی اصلاح نکرد [18]. علاوه بر این ، گاهی اوقات بخش زنبور عسل به طور معمول قادر به دستیابی به Optima جهانی نبود. در اینجا ، با استفاده از مزایای بخش سریع بیننده با زنبورهای هدایت شده با هدایت برای قدرت و تعادل در فرآیندهای اکتشاف و بهره برداری. بنابراین ، معادله (3) برای افزایش روند بهره برداری جایگزین زنبورهای هدایت شده هدایت شده خواهد شد: