زینب آذریان - دانش آموخته کارشناسی ارشد، گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
سید مهدی همایونی - استادیار، گروه مهندسی صنایع، واحد لنجان، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول) homayouni@iauln.ac.ir

همواره پیش بینی دقیق روند بازار سهام برای تصمیم گیری های مالی سرمایه گذاران مهم بوده است. استفاده از مجموعه ای از شاخص های تحلیل تکنیکی یکی از پرکاربردترین روش های پیش بینی های مالی است. تعیین پارامترهای مناسب این شاخص ها و همچنین ترکیب آن ها یکی از چالش های پژوهشگران است. از طرف دیگر، ماهیت غیرخطی و پویای تغییرات در روند بازار سهام موجب استفاده گسترده از روش های پیش بینی غیرخطی همچون شبکه عصبی مصنوعی شده است. با وجود استفاده گسترده از شاخص های تحلیل تکنیکی به عنوان ورودی شبکه های عصبی مصنوعی، تاکنون بهینه سازی پارامترهای شاخص های تحلیل تکنیکی به عنوان ورودی شبکه عصبی مصنوعی پژوهش نشده است. با توجه به روند تغییرات انحصاری سهام یک شرکت نسبت به سایر شرکت ها، استفاده از مجموعه پارامترهای پیش فرض یا یکسان برای تمام انواع سهام منطقی نیست. در این پژوهش، پارامترهای مجموعه ای از شاخص های تحلیل تکنیکی برای سهام یک شرکت با استفاده از الگوریتم ژنتیک بهینه شده است و به شبکه عصبی مصنوعی به عنوان ورودی داده می شود. از این روش ترکیبی برای پیش بینی روند تغییرات قیمت سهام روز بعد استفاده شده است. در این روش، فرض شده است که فرد سرمایه گذار براساس پیش بینی تصمیم می گیرد، که روز بعد، سهام را بخرد، بفروشد، یا نگه دارد. برای ارزیابی عملکرد روش ترکیبی ارائه شده، از یک شبکه عصبی مصنوعی با استفاده از شاخص های تحلیل تکنیکی با پارامترهای پیش فرض نیز جهت پیش بینی روند تغییرات قیمت سهام استفاده شده است. این دو روش برای داده های واقعی سهام شرکت ایران خودرو اجرا شده که نتایج نشان دهنده برتری روش ترکیبی با ۲۵.۱% کاهش در خطای پیش بینی نسبت به روش ساده است. طبقه بندی JEL:G۱۰ ،G۱۷ ،C۴۵ ، C۵۳، C۶۱

شاخص های تحلیل تکنیکی, الگوریتم ژنتیک, شبکه عصبی مصنوعی, بورس اوراق بهادار