اقتصاد 31. مدل ترکیبی بر مبنای تئوری مجموعه های تقریبی (راف) و الگوریتم های ژنتیک برای پیش بینی قیمت سهام

مدل ترکیبی بر مبنای تئوری مجموعه های تقریبی (راف) و الگوریتم های ژنتیک برای پیش بینی قیمت سهام
کلید واژه: نظریه مجموعه های ناهنجار ، الگوریتم های ژنتیکی، روش توزیع احتمال تجمیعی، روش اصلی انتروپی کمینه، شاخص های فنیچکیدهدر بازار سهام، تجزیه وتحلیل فنی به عنوان روش مفیدی برای پیش بینی قیمت های سهام می باشد. اگرچه، تحلیلگران متخصص سهام و مدیران اعتبار مالی معمولا قضاوت های ذهنی را بر مبنای شاخص های فنی هدف انجام می دهند، برای افراد غیرمتخصص مشکل می باشد تا تکنیک پیش بینی را بکار گیرند، زیرا شاخص های فنی پیچیده بسیار زیادی وجود دارد که می بایست مد نظر قرار گیرد. علاوه بر این دو مانع در بسیاری از مدل های پیش بینی گذشته وجود دارد: 1) فرضیات آماری در ارتباط با متغیرها برای مدل های سری زمانی همانند مدل میانگین متحرک اتورگرسیو (ARMA) و ناهماهنگی مشروط اتورگرسیو (ARCH) مورد نیاز می باشند، تا مدل های پیش بینی کننده معادلات ریاضی را ایجاد کرده و این موارد به آسانی توسط سرمایه گذاران سهام درک نمی گردد؛ و 2) اقوانینی که حاصل بعضی از الگوریتم های هوش مصنوعی همانند شبکه های عصبی می باشند که ضرورتا قابل درک نیستند. 

الگوریتم ژنتیک و حل مسئله TSP

در این مقاله ابتدا الگوریتمهای ژنتیک را معرفی کرده و مراحل انجام چنین الگوریتمهایی توضیح داده می شود. بعد از اینکه یک دید کلی نسبت به الگوریتمهای ژنتیک پیدا کردیم به مساله TSP میپردازیم. ابتدا چند روشی که برای حل مسئله TSP ارائه شده است را بیان می کنیم و بعد سعی می کنیم الگوریتمهای ژنتیک مختلفی را برای این مساله مطرح کنیم و  پس بررسی می کنیم که کدام یک از این الگوریتمهای ژنتیک بهتر از بقیه روشها جواب می دهند. در پایان نیز مقایسه ای بین  الگوریتمهای ژنتیک و دیگر الگوریتمها انجام می دهیم.

اقتصاد 31. مدل ترکیبی بر مبنای تئوری مجموعه های تقریبی (راف) و الگوریتم های ژنتیک برای پیش بینی قیمت سهام

مدل ترکیبی بر مبنای تئوری مجموعه های تقریبی (راف) و الگوریتم های ژنتیک برای پیش بینی قیمت سهام
کلید واژه: نظریه مجموعه های ناهنجار ، الگوریتم های ژنتیکی، روش توزیع احتمال تجمیعی، روش اصلی انتروپی کمینه، شاخص های فنیچکیدهدر بازار سهام، تجزیه وتحلیل فنی به عنوان روش مفیدی برای پیش بینی قیمت های سهام می باشد. اگرچه، تحلیلگران متخصص سهام و مدیران اعتبار مالی معمولا قضاوت های ذهنی را بر مبنای شاخص های فنی هدف انجام می دهند، برای افراد غیرمتخصص مشکل می باشد تا تکنیک پیش بینی را بکار گیرند، زیرا شاخص های فنی پیچیده بسیار زیادی وجود دارد که می بایست مد نظر قرار گیرد. علاوه بر این دو مانع در بسیاری از مدل های پیش بینی گذشته وجود دارد: 1) فرضیات آماری در ارتباط با متغیرها برای مدل های سری زمانی همانند مدل میانگین متحرک اتورگرسیو (ARMA) و ناهماهنگی مشروط اتورگرسیو (ARCH) مورد نیاز می باشند، تا مدل های پیش بینی کننده معادلات ریاضی را ایجاد کرده و این موارد به آسانی توسط سرمایه گذاران سهام درک نمی گردد؛ و 2) اقوانینی که حاصل بعضی از الگوریتم های هوش مصنوعی همانند شبکه های عصبی می باشند که ضرورتا قابل درک نیستند.