Islamic Economics & Banking

fa پیش‌بینی قیمت سهام در بازارهای مالی با استفاده از الگوریتم ترکیبی GSO–SVR Stock Price Prediction in Financial Markets Using a Hybrid GSO–SVR Algorithm عمومى General پژوهشي Research <div style="text-align: justify;">هدف: هدف این پژوهش بررسی کارایی مدل ترکیبی الگوریتم جستجوی طلایی و رگرسیون بردار پشتیبان (GSO–SVR) در پیش‌بینی قیمت پایانی روزانه سهام است. روش‌شناسی: این پژوهش از نظر هدف کاربردی و از نظر روش کمی است. داده‌های قیمت پایانی روزانه مربوط به هشت شرکت سهامی عام (اپل، گوگل، فیس‌بوک، ای‌بی‌ام، مایکروسافت، توییتر، یاهو و فورد) گردآوری شد. طرح تجربی برای حفظ ترتیب زمانی و کاهش نشت اطلاعات، داده‌ها را به‌صورت زمانی تفکیک کرده و انتخاب فرابارامترها را به مجموعه اعتبارسنجی محدود کرد. الگوریتم جستجوی طلایی برای تعیین مقادیر مناسب پارامتر جریمه SVR و ضریب هسته تابع پایه شعاعی با کمینه‌سازی خطای میانگین مربعات ریشه (RMSE) به کار رفت و عملکرد آن با SVR سنتی و SVR بهینه‌شده با الگوریتم ژنتیک (GA–SVR) مقایسه شد. معیارهای ارزیابی شامل خطای میانگین مربعات نرمال‌شده (NMSE)، خطای مطلق میانگین (MAE) و تقارن جهتی (DS) بودند.  یافته‌ها: نتایج نشان داد که مدل پیشنهادی GSO–SVR در تمامی هشت شرکت توانست کمترین میزان NMSE و MAE را به دست آورد و در ۷ شرکت از ۸ شرکت بالاترین تقارن جهتی (DS) را ثبت کند؛ این امر حاکی از بهبود چشمگیر دقت پیش‌بینی عددی و توافق جهتی قیمت‌ها نسبت به مدل‌های بنچمارک است. نتیجه‌گیری: بهینه‌سازی فرابارامترها بر مبنای الگوریتم جستجوی طلایی می‌تواند عملکرد پیش‌بینی سری‌های زمانی مالی را به‌طور محسوسی ارتقا دهد، هرچند اثربخشی آن باید برای هر سهم و معیار ارزیابی به‌صورت تجربی بررسی شود.  </div> <div style="text-align: justify;">Purpose: This study examines the performance of a hybrid Golden Search Optimization–Support Vector Regression (GSO–SVR) model for predicting daily stock closing prices. Methodology: This applied study adopts a quantitative approach. Daily closing-price data were collected for eight publicly traded companies: Apple, Google, Facebook, IBM, Microsoft, Twitter, Yahoo, and Ford. To preserve temporal order and reduce information leakage, the data were split chronologically, and hyperparameter selection was restricted to the validation set. The Golden Search Optimization algorithm was used to determine suitable values for the SVR penalty parameter and the radial basis function (RBF) kernel coefficient by minimizing the root mean square error (RMSE). The proposed model was compared with conventional SVR and genetic algorithm-optimized SVR (GA–SVR). Performance was evaluated using normalized mean squared error (NMSE), mean absolute error (MAE), and directional symmetry (DS). Findings: The proposed GSO–SVR model achieved the lowest NMSE and MAE for all eight companies and the highest DS for seven of the eight companies. These results indicate improved numerical prediction accuracy and directional agreement compared with the benchmark models. Conclusion: Hyperparameter optimization using the Golden Search Optimization algorithm may improve the forecasting performance of financial time series. However, its effectiveness should be evaluated empirically for each stock and performance metric.  </div> پیش‌بینی قیمت سهام؛ رگرسیون بردار پشتیبان؛ الگوریتم جستجوی طلایی؛ الگوریتم ژنتیک؛ بهینه‌سازی فراپارامترها؛ سری‌های زمانی مالی Stock price prediction, support vector regression, Golden Search Optimization, genetic algorithm, hyperparameter optimization, financial time series. 0 0 http://mieaoi.ir/browse.php?a_code=A-10-2056-1&slc_lang=fa&sid=1 Javad Salari Askari جواد سالاری اسکری 3131527528@iau.ir No PhD student, Department of Accounting , si.c., Islamic Azad University, Sirjan, Iran دانشجوی دکتری گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران Hossein Shafiei حسین شفیعی hosseinshafiee@iau.ac.ir Yes Assistant Professor, Department of Accounting , si.c., Islamic Azad University, Sirjan, Iran استادیار، گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران Abbas Sheibani عباس شیبانی Sheybani.abbas@iau.ac.ir No Assistant Professor, Department of Accounting , si.c., Islamic Azad University, Sirjan, Iran استادیار، گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران