۲۳۸

جدول ۴-۴ شبکه عصبی مدل اول کل داده‌ها با متغیرهای ترکیبی (یافته­های محقق)
۴-۴-۲٫ سؤال دوم: چگونه می‌تواند قیمت سهام را با بهره گرفتن از شاخص‌های تکنیکال به روش شبکه عصبی پیش‌بینی کرد؟
به جهت پیاده‌سازی دومین سؤال، از یک شبکه MFNN سه لایه استفاده شد که ورودی­های آن متغیرهای تجزیه و تحلیل فنی شامل: ۱٫ اولین قیمت، ۲٫ بیشترین قیمت، ۳٫ کمترین قیمت، ۴٫ قیمت پایانی روز، ۵٫ قیمت روز گذشته ۶٫ حجم معاملات سهم.
همچنین به‌منظور یافتن شبکه مناسب، شبکه­ را با بهره گرفتن از داده ­های آموزشی، آموزش دادیم. پس از آموزش شبکه، عملکرد آن را بر روی‌داده ­های آزمایشی سنجیدیم. این عملیات را باکم و زیاد کردن تعداد لایه ­ها و نر ون‌های هر لایه و با تغییر توابع فعال‌سازی، مانند سؤال اول پرداختیم الگوریتم آموزش و معیار تابع هدف، تکرار نمودیم تا به یک ساختار مناسب دست‌یافتیم، برای تعیین تعداد واحدهای پردازش اطلاعات مناسب، تعداد نرون­های پنهان را از ۱۰ تا ۱۷ برای شرکتهای مختلف تغیر دادیم. به‌منظور جلوگیری از خطا، فرایند یادگیری برای هر مدل، حلقه تکرار، با ۱۵۰ بار تکرار کردیم. میانگین شاخص جذر میانگین مجذور خطا RMSE در مدل‌های برآورد شده با تعداد نرون­های مختلف، به شرح زیر حاصل‌شده است:

تعداد نرون

۱۰

۱۱

۱۲

۱۳

۱۴

۱۵

۱۶

۱۷

RMSE

۳۴۹

۲۰۹

۴۸۶

۳۲۲

۲۴۰

۴۰۸

۲۶۹

۲۱۷

جدول ۴-۵ محاسبه معیار جذر میانگین مجذور خطا با تعداد مختلف نرون برای داده‌های فنی (یافته­های محقق)
در مورد تعداد نرون‌های لایه میانی مبنای خاصی وجود ندارد؛ و معمولاً با تصحیح و خطا به نحوه‌ی انتخاب می‌گردد که شبکه جواب معقولی در اختیار بگذارد. در این پژوهش با آزمون خطا نمودن ۱۰ تا ۱۷ نرون در لایه میانی با توجه به خطای RMSE در هر یک از آزمون‌ها شبکه با تعداد نرونهای مختلف آزمایش شد و برای هر شرکت بهترین مدل ثبت شد. تابع خطی به عنوان تابع لایه خروجی و الگوریتم پرسپترون به عنوان الگوریتم آموزش است. تابع مورداستفاده تابع سیگمودی جهت لایه میانی استفاده نمودیم: که یک تابع هموار است. مقدار خروجی نرون در لایه میانی در محدودۀ -۱ و ۱ قرارگرفته است. در ادامه، با بهره گرفتن از پنج معیار مختلف ارزیابی، عملکرد این مدل بر روی مجموعه داده ­های آزمایشی و کل داده‌ها با متغیرهای تکنیکال نمایش داده‌شده که به شرح زیر حاصل‌شده است:

نام شرکت

R2

MSE

RMSE

MAPE

MAE