Developing a model for predicting the Tehran Stock Exchange index using a combination of artificial neural network and Markov hidden model

Document Type : Original Article

Authors
Leila Talaie Kakolaki 1
Mehdi Madanchi 2
Taghi Torabi 3
Farhad Ghaffari 4
1 Ph.D. Student, Department of Industrial Management, UAE Branch, Islamic Azad University, Dubai, UAE
2 Assistant Professor, Department of Financial Management, Electronic Campus, Islamic Azad University Tehran,
3 Associate Professor, Department of Economic, Science and Research branch, Islamic Azad University, Tehran, Iran,
4 Associate Professor ,Department of Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran
Abstract
The purpose of this study was to design a new model for predicting the Tehran Stock Exchange index using pattern recognition in a combination of hidden Markov model and artificial intelligence. The present study is an applied type and mathematical analytical method. Its location is the Tehran Stock Exchange and during the years 2010 to 2020. Findings showed that the prediction error rate with artificial neural network has a higher accuracy than Markov's hidden model. Also, the prediction error of the hybrid model is much lower than the other two models for predicting the total stock index of Tehran Stock Exchange, so it has higher accuracy for forecasting stocks. According to the MAPE index, the hybrid model method could improve the predictive power of the artificial neural network by 0.044% and also improve the predictive power of the hidden Markov model by 0.70%.
Keywords
Markov model
artificial neural network model
total stock index forecast
hybrid model
  • چگینی احمد , گرد عزیز (1399) , پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی مصنوعی (ANN) و مدل خود رگرسیون میانگین متحرک انباشته (ARIMA) مطالعه موردی دو شرکت دارویی فعال بورس اوراق بهادار , مهندسی مالی و مدیریت اوراق بهادار , دوره 11 شماره 44, صص 371-350
  • ذوالفغاری مهدی , سحابی بهرام , بختیاران محمد جواد (1399) طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار ( با تاکید بر مدلهای ترکیبی شبکه یادگیری عمیق و مدلهای خانواده GARCH))) , مهندسی مالی و مدیریت اوراق بهادار , دوره 11 شماره 42 , صص 171-138
  • نجار زاده رضا , ذوالفغاری مهدی و غلامی صمد(1399) طراحی مدلی جهت پیش بینی بازده شاخص بورس ( با تاکید بر مدلهای ترکیبی شبکه عصبی و مدلهای با حافظه بلند مدت) , دانش سرمایه گذاری , دوره 9 شماره 34 , صص 257-231
  • راستین فر علی, همت فر محمود. (1399) , مدلسازی و پیش بینی نوسانات بازار سهام با استفاده از تر کیب شبکه عصبی و الگوهای واریانس شرطی , مهندسی مالی و مدیریت اوراق بهادار دوره 11 شماره43 , صص473-451
  • رضایی سیدمهدی, باغجری محمود, مظاهری فر پوریا (1398). مقایسه شبکه عصبی ,سیستم فازی عصبی و مدل ar درپیش بینی بازده اوراق بهادار و الگوریتم جستجوی موجودات همزیست با ممتیک آن در بهینه سازی پرتفوی , دانش مالی تحلیل اوراق بهادار. دوره 12 شماره 43 , صص119-109
  • شریعت پناهی, سید مجید, عبادی, جواد, پیمانی, مسلم.(1390). پیش بینی بازده با استفاده از معیارهای مختلف ریسک؛ براساس شواهدی از بورس اوراق بهادار تهران. مطالعات تجربی حسابداری مالی, 8(31), 101-119.
  • صادقی, محسن, سروش, ابوذر, فرهانیان, محمد جواد. بررسی معیارهای نوسان‌پذیری، ریسک مطلوب و ریسک نامطلوب در مدل قیمت‌گذاری دارایی‎های سرمایه‎ای: شواهدی از بورس اوراق بهادار تهران. تحقیقات مالی, 12(29)، 1389.
  • فقیهی نژاد, محمد تقی, مینایی, بهروز. (1397). پیش‌بینی رفتار بازار سهام بر اساس شبکه‌های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند. مدیریت صنعتی, 10(2), 315-334.
  • میرعلوی, سید حسین, پورزمانی, زهرا. (1398). ارائه مدلی جهت پیش‌بینی قیمت سهام با استفاده از روش‌های فرا ابتکاری و شبکه‌های عصبی. مهندسی مالی و مدیریت اوراق بهادار, 10(40), 57-83.
  • نیکبخت، محمد رضا؛ شریفی، مریم (1389). پیش‌بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه‎‎های عصبی مصنوعی.نشریه مدیریت صنعتی، 2(4)، 163-180.
  • Adebiyi, A. A., Adewumi, A.O., & Ayo, C. K. (2014). Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, 2014, 1-7.
  • Al Galib, A., Alam, M. and Rahman, R.M. (2014) Prediction of stock price based on hidden Markov model and nearest neighbour algorithm’, Int. J. Information and Decision Sciences, Vol. 6, No. 3, pp.262–292.
  • Atsalakis, G. S., & Valavanis, K. P. (2009a). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), 10696-10707.
  • Cao, W., Zhu, W., & Demazeau, Y. (2019). Multi-Layer Coupled Hidden Markov Model for Cross-Market Behavior Analysis and Trend Forecasting. IEEE Access, 7, 158563-158574.‏
  • Cavalcante, R. C., Brasileiro, R. C., Souza, V. L.F., Nobrega, J. P., & Oliveira, A. L.I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55, 194-211.
  • Chauvin, Y., & Rumelhart, D. E. (1995). Backpropagation: theory, architectures, and applications. Psychology Press.
  • Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397.
  • JAROSLAV LAJOS,(2011)” Computer Modeling Using Hidden Markov Model Approach Applied to the financial ”Doctoraldissertation, Oklahoma State University,United states of America
  • Li, X., Yang, L., Xue, F., & Zhou, H. (2017). Time series prediction of stock price using deep belief networks with intrinsic plasticity. Paper presented at the Control And Decision Conference (CCDC), 2017 29th Chinese.
  • Padmaja Dhenuvakonda, R. Amandan, N. Kumar,(2020, November), “Stock Price Prediction Using Artificial Neurl Net works “ ,Journal of Critical Reviews ,Vol 7, pp.846-850
  • Rijeka ,Przemyslaw Dymarski,(2011),"Hidden Markov Models, Theory and Applications" Publisher: InTech, Chapters published April 19, 2011 under CC BY-NC-SA 3.0 license
  • Shah, H. N. (2019, March). Prediction of Stock Market Using Artificial Intelligence. In 2019 IEEE 5th International Conference for Convergence in Technology (I2CT) (pp. 1-6). IEEE.‏
  • Tabar, S., Sharma, S., & Volkman, D. (2020). A new method for predicting stock market crashes using classification and artificial neural networks. International Journal of Business and Data Analytics, 1(3), 203-217.‏
  • Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing, 38(1), 788-804.
  • Wang, S. (2020, February). The Prediction of Stock Index Movements Based on Machine Learning. In Proceedings of the 2020 12th International Conference on Computer and Automation Engineering (pp. 1-6).‏
  • Yan, D., Zhou, Qi, Wang, J., & Zhang, N. (2017). Bayesian regularisation neural network based on artificial intelligence optimisation. International Journal of Production Research, 55(8), 2266-2287.