e-ISSN: 2549-9904
ISSN: 2549-9610
Abstrak - Industri keuangan menjadi semakin bergantung pada teknologi komputasi canggih untuk mempertahankan daya saing dalam ekonomi global. Oleh karena itu, masalah prediksi harga saham
dengan menggunakan teknik data mining merupakan salah satu masalah terpenting di bidang keuangan. Bidang ini telah menarik minat ilmiah yang besar dan telah menjadi bidang penelitian penting
untuk memberikan proses prediksi yang lebih tepat. Fuzzy logic (FL) dan Artificial Neural Network (ANN) menyajikan teknik yang menarik dan menjanjikan dengan cakupan yang luas untuk aplikasi
prediksi. Ada minat yang berkembang di bidang komputasi logika fuzzy dan dunia keuangan dalam penggunaan logika fuzzy untuk memprediksi perubahan harga saham, nilai tukar, komoditas, dan
deret waktu keuangan lainnya di masa depan. Logika fuzzy menyediakan cara untuk menarik kesimpulan pasti dari yang kabur, informasi yang ambigu atau tidak tepat. Artificial Neural Network
merupakan salah satu teknik data mining yang diterima secara luas di dunia bisnis karena kemampuannya untuk mempelajari dan mendeteksi hubungan antar variabel nonlinier. JST mengungguli
model regresi statistik dan juga memungkinkan analisis lebih dalam dari kumpulan data besar, terutama yang memiliki kecenderungan untuk berfluktuasi dalam jangka waktu yang singkat. Dalam
makalah ini, kami menyelidiki kemampuan logika Fuzzy dan multilayer perceptron (MLP), yang merupakan sejenis JST, untuk mengatasi masalah peramalan saham deret waktu keuangan. Pendekatan
yang diusulkan diuji pada data harga historis yang dikumpulkan dari Yahoo Finance dengan perusahaan yang berbeda. Selanjutnya dilakukan perbandingan antara teknik-teknik tersebut untuk
mengetahui efektivitasnya. Artificial Neural Network merupakan salah satu teknik data mining yang diterima secara luas di dunia bisnis karena kemampuannya untuk mempelajari dan mendeteksi
hubungan antar variabel nonlinier. JST mengungguli model regresi statistik dan juga memungkinkan analisis lebih dalam dari kumpulan data besar, terutama yang memiliki kecenderungan untuk
berfluktuasi dalam jangka waktu yang singkat. Dalam makalah ini, kami menyelidiki kemampuan logika Fuzzy dan multilayer perceptron (MLP), yang merupakan sejenis JST, untuk mengatasi masalah
peramalan saham deret waktu keuangan. Pendekatan yang diusulkan diuji pada data harga historis yang dikumpulkan dari Yahoo Finance dengan perusahaan yang berbeda. Selanjutnya dilakukan perbandingan antar
Kata kunci - Logika Fuzzy, Algoritma Fireworks, Algoritma propagasi balik, peramalan harga saham, Jaringan Syaraf Perceptron Multilayer, Transformasi Wavelet.
40
menerapkan pra-pemrosesan dan FA dalam memecahkan masalah regresi Wavelet adalah alat matematika yang dapat memecah data menjadi
untuk bidang tertentu seperti pasar saham. berbagai komponen frekuensi, kemudian setiap elemen dipertimbangkan
Sisa dari makalah ini disusun sebagai berikut: bagian 2 menyajikan tentang dengan resolusi yang disesuaikan dengan skalanya. Transformasi wavelet
metodologi yang diusulkan. Eksperimen dan hasil ditunjukkan di bagian 3. dapat mengatasi keterbatasan transformasi Fourier saat menghadapi
Bagian 4 adalah kesimpulan dan pekerjaan masa depan. gangguan tak terduga dan tak terduga [11].
Mengubah
batas. Setiap pita selanjutnya mencerminkan perubahan pada frekuensi yang lebih
rendah dan lebih rendah.
Melatih MLP menggunakan punggung Menerapkan deret waktu fuzzy tipe 2
algoritma propagasi model untuk memprediksi
Mengevaluasi efektivitas
Transformasi Wavelet dan FA
Testing Stage
41
Saat kembang api meledak, percikan api akan tercipta di sekitar kembang Menghasilkan Sparks: Dalam proses ledakan, percikan api dapat
api. Proses ledakan kembang api dapat dianggap sebagai pencarian lokal di dipengaruhi oleh ledakan secara acak •
sekitar a ukuran. Di FA, dimensi • ditampilkan seperti pada Persamaan. (5).
titik tertentu. Untuk mencari titik x saya seperti yang f (x i) = y,
'kembang api' terus-menerus diluncurkan di ruang potensial sampai • = ••••• (• × •••• (0, 1)) (5)
mencapai satu target 'percikan' atau satu target yang cukup dekat dimana • adalah jumlah dimensi vektor •, dan
inti nya x saya. Dengan meniru proses ledakan kembang api, kerangka kerja FA •••• (0, 1) adalah nomor acak dalam kisaran [ 0, 1].
yang kasar dijelaskan pada Gambar 2. Lokasi percikan kembang api • • diperoleh dengan menggunakan
2) Jenis Ledakan Kembang Api Algoritma 1. Meniru proses ledakan, sebuah percikan
lokasi ? ̃? • diproduksi pada awalnya. Kemudian, jika lokasi yang diperoleh
Dalam proses pengamatan kembang api, ledakan kembang api terbagi
berada di luar ruang potensial, maka dipetakan ke ruang potensial.
menjadi dua jenis tertentu. Ledakan kembang api yang baik menghasilkan banyak
bunga api yang memusatkan pusat ledakan. Sebaliknya, ledakan kembang api
yang buruk menghasilkan cukup banyak bunga api yang tersebar di sekitar pusat Algoritma 1. Dapatkan lokasi percikan. Inisialisasi
ledakan seperti yang ditunjukkan pada Gambar 3. lokasi percikan: ? ̃? • = • •;
• = ••••• (• × •••• (0, 1));
Pilih secara acak dimensi z ? ̃? •;
Menghitung • = • • × •••• (−1, 1);
untuk setiap ? ̃? •
•∈ { dipilih sebelumnya z dimensi ? ̃? •} melakukan
? ̃? •
•=? ̃? • • + •;
•
jika ? ̃? •
• < • ••• atau
• ? ̃? • •> • •• kemudian
•
berakhir jika
berakhir untuk
Gbr. 3 Dua jenis ledakan kembang api
Untuk menjaga keragaman bunga api, ada cara lain untuk menghasilkan
Jumlah Percikan: Misalkan FA dirancang untuk masalah pengoptimalan bunga api yang disebut ledakan Gaussian, yang ditunjukkan pada Algoritma 2.
umum: Fungsi •••••••• (1, 1) yang merupakan distribusi Gaussian dengan mean 1 dan
•••••••• • (•) ∈ •, • ••• ≤ • ≤ • ••• (1) deviasi standar 1 digunakan untuk menentukan koefisien ledakan. ? ̂? percikan
dimana • = [• 1, • 2, …, • •] adalah posisi dalam ruang solusi potensial, • (•) adalah api semacam ini dihasilkan di setiap generasi ledakan.
fungsi objektif, • ••• dan
• ••• adalah batas bawah dan atas dari ruang potensial, • adalah dimensi vektor
Algoritma 2. Temukan posisi percikan tertentu.
•.
Inisialisasi lokasi percikan: ? ̂? • = • •;
Jumlah bunga api yang dihasilkan oleh setiap kembang api • • didefinisikan seperti dalam
• = ••••• (• × •••• (0, 1));
Persamaan. (2).
Pilih secara acak dimensi z ? ̂? •;
• ••• −• (• •) + •
••=• × (2) Hitung koefisien ledakan Gaussian: • =
∑ •• = 1 ( • ••• −• (• •)) + •
•••••••• (1, 1);
dimana • adalah parameter yang mengontrol jumlah percikan api untuk setiap ? ̂? •
• • { dimensi z yang telah dipilih sebelumnya dari ? ̂? •} melakukan
dihasilkan oleh n kembang api, • ••• = ••• (• (• •)) ( • =
? ̂? •
•=? ̂? • • × •;
1, 2,…, •) adalah nilai maksimum atau minimum •
jika ? ̂? •
• < • ••• atau
• ? ̂? • •> • •• kemudian
•
fungsi obyektif antara n kembang api, dan ξ menunjukkan konstanta terkecil yang digunakan
Pemetaan ? ̂?• • ke ruang potensial: ? ̂? • = • ••• +• •
untuk menghindari kesalahan pembagian-nol.
••
|? ̂? •
Untuk menghindari efek cantik yang luar biasa •|%( • ••• - •• • •);
berakhir jika
kembang api, batas ditentukan untuk • • sebagaimana ditentukan dalam Persamaan. (3).
berakhir untuk
••••• (• × •) •• • • < • × •
•̂ ? ̂? = { ••••• (• × •) •• • • < • × •, • <• <1 ••ℎ•••••• (3) 3) Pemilihan Lokasi
••••• (• •) Di awal setiap generasi ledakan, •
dimana • dan • adalah parameter konstan. lokasi akan dipilih untuk ledakan kembang api. Di FA, posisi terbaik saat ini • ∗ selalu
Amplitudo Ledakan: Berbeda dengan desain nomor percikan api, disimpan untuk generasi ledakan berikutnya. Setelah itu, • - 1 Lokasi lain
amplitudo ledakan kembang api yang baik lebih kecil daripada yang buruk. dipilih berdasarkan jarak ke lokasi lain untuk menjaga keanekaragaman
Amplitudo ledakan untuk setiap kembang api didefinisikan seperti pada bunga api. Jarak umum antara a
Persamaan. (4).
• (••) −•••• + •
• • = ? ̂? × • (4) lokasi • • dan lokasi lain didefinisikan seperti pada Persamaan. (6).
∑• = 1 (• (••) −••••) + •
• (• •) = ∑ ••• • (• •, • •) = ∑ ••• ‖• • - • • ‖ (6)
dimana ? ̂? adalah amplitudo ledakan maksimum, dan • ••• = dimana • adalah himpunan semua lokasi saat ini dari kembang api dan percikan api.
••• (• (• •)) ( • = 1, 2,…, •) menunjukkan minimum atau terbaik
nilai fungsi tujuan antara n kembang api. Probabilitas pemilihan lokasi • • kemudian ditentukan seperti pada Persamaan. (7).
42
• (••)
• (• •) = (7) dengan satu lapisan tersembunyi cukup baik untuk mendekati fungsi non-linier
∑••• • (••)
yang kompleks [12]. Selain itu, banyak studi dan hasil eksperimen juga
Saat menilai jarak, pengukur jarak apa pun dapat digunakan termasuk menunjukkan bahwa satu lapisan tersembunyi cukup untuk sebagian besar
jarak Manhattan, jarak Euclidean, jarak berbasis sudut, dll. Dalam makalah masalah perkiraan [4, 13, 14]. Oleh karena itu, pekerjaan ini menggunakan
ini, jarak Euclidean digunakan untuk menghitung jarak. arsitektur neural network MLP dengan satu lapisan tersembunyi.
4) Ringkasan isi algoritma Tugas sulit lainnya saat memilih parameter yang baik untuk MLP adalah
jumlah neuron tersembunyi dan fungsi aktivasi. Menetapkan arsitektur MLP
Algoritma 3 menunjukkan kerangka kerja FA. Dalam setiap generasi, dua
yang sesuai untuk masalah tertentu merupakan tugas penting karena
jenis percikan api dibuat masing-masing seperti yang ditunjukkan pada
topologi jaringan secara langsung memengaruhi kompleksitas komputasi dan
Algoritma 1 dan Algoritma 2. Pada jenis pertama, amplitudo ledakan dan
kemampuan generalisasinya. Jika kumpulan data pelatihan dibagi menjadi
jumlah percikan bergantung pada kualitas kembang api yang sesuai.
beberapa grup dengan fitur serupa, jumlah grup ini dapat digunakan untuk
Sebaliknya, jenis kedua dibuat dengan menggunakan proses ledakan
jumlah neuron tersembunyi. Jika data pelatihan tersebar tersebar dan tidak
Gaussian, yang melakukan pencarian di ruang Gaussian lokal di sekitar
berisi fitur yang sama, jumlah koneksi mungkin cukup sama dengan jumlah
kembang api.
sampel pelatihan untuk mempertahankan kemampuan konvergensi MLP.
berakhir untuk
lapisan tersembunyi dan keluaran cocok untuk meramalkan stok. harga.
untuk • = 1 →? ̂? melakukan
Pilih kembang api secara acak • •;
Ciptakan percikan khusus untuk kembang api menggunakan Algoritma 2;
berakhir untuk
Pilih lokasi terbaik dan simpan untuk generasi ledakan berikutnya;
Pilih secara acak n - 1 lokasi dari dua jenis percikan api dan kembang api saat ini
sesuai dengan probabilitas Kesalahan! Sumber referensi tidak ditemukan.
berakhir sementara
JST merupakan salah satu teknik yang banyak digunakan dalam perdagangan
dan keuangan karena kemampuannya dalam mempelajari dan mengidentifikasi
hubungan antar variabel non linier. Beberapa penelitian membuktikan bahwa JST Gambar 4 Fungsi sigmoid dua kutub
lebih efisien daripada model regresi statistik dan memungkinkan analisis yang lebih
dalam dari kumpulan data yang besar, terutama yang cenderung berosilasi dalam Gambar 5 menjelaskan arsitektur MLP yang digunakan dalam pekerjaan kami.
waktu yang singkat [4-6]. Namun, dalam masalah prediksi keuangan dengan data Lapisan input berisi 30 neuron yang sesuai dengan 30 harga penutupan 30 hari
deret waktu yang sangat besar, teknik preprocessing khusus dan algoritme terakhir. Lapisan keluaran termasuk satu neuron adalah harga penutupan hari
pengoptimalan harus digunakan untuk meningkatkan akurasi hasil yang diprediksi. berikutnya.
Secara umum, perceptron multilayer mungkin memiliki banyak lapisan Gbr. 5 Arsitektur MLP untuk sistem prediksi saham - windowSize-8-1
tersembunyi dengan jumlah neuron yang tidak terbatas di setiap lapisan. Namun,
karya teoritis telah menunjukkan bahwa MLP
43
2) Mengoptimalkan Bobot dan Bias MLP menggunakan Definisi 4: Grup hubungan logis fuzzy (FLRG)
FA Misalkan ada RENTANG berikut dengan LHS yang sama:
TABEL I
2) Rangkaian waktu fuzzy tipe-2 untuk prediksi harga saham
P. ARAMETER UNTUK DIUSULKAN ANN ( JENDELA S IZE- 8-1)
masalah
Nilai Simbol Deskripsi
Model deret waktu fuzzy tipe-2 diusulkan oleh Huarng dan Yu [18]. Model
Bobot koneksi dari lapisan masukan ke
windowSize × 8 IW {1, 1} ini merupakan pengembangan dari model tipe-1 untuk menggunakan lebih
lapisan tersembunyi Bias neuron di
banyak observasi. Ini memiliki dua peningkatan penting yang merupakan
lapisan tersembunyi
8 b {1, 1} definisi operasi untuk memanfaatkan pengamatan ekstra dan metode untuk
Definisi 1: Set fuzzy tipe-1. Operator fuzzy seperti union dan intersection digunakan untuk
Set fuzzy • dari alam semesta wacana U diwakili menetapkan RENTANG baru yang diperoleh dari observasi tipe-1 dan tipe-2.
Prakiraan tipe-2 diperoleh dari RENTANG ini [18].
oleh semua pasangan elemen ( •, • • ( •)) sebagai berikut:
• = {(•, • • ( •)) | • ∈ •}
Definisi 6: Persatuan ( ∨) dan persimpangan ( ∧) operator FLRG untuk
dimana:
observasi tipe-1
•: adalah wacana alam semesta dari himpunan fuzzy A, yang diskrit dan
• • → • •1, • •2, …, • ••
terbatas
FLRG untuk observasi tipe-2
• •: adalah fungsi keanggotaan dari himpunan fuzzy • • • → • •1, • •2, …, • ••
• • ( •): adalah tingkat ketergantungan x pada himpunan fuzzy • {• • → • •1, • •2, …, • ••
Definisi 2: Deret waktu fuzzy
…
Membiarkan • (•) (• = ⋯, 0, 1, 2,…) menjadi bagian dari R dan • (•) menjadi
Persatuan ( ∨) dan persimpangan ( ∧) are defined for FLRG as follows:
the universe of discourse on which fuzzy sets • • ( •) are
defined. If •(•) is a collection of • 1( •), • 2( •), …, then •(•) is called a fuzzy time ∨ (• • , • • , • • , …) = ((• •1, • •2, … , • ••)
series defined on •(•). ∪ (• •1, • •2, … , • ••)
Definition 3: Fuzzy logical relationship (FLR)
∪ (• •1, • •2, … , • ••))
Assume that •(•) is caused by •(• − 1) only. The relationship is shown as:
∧ (• • , • • , • • , …) = ((• •1, • •2, … , • ••)
∩ (• •1, • •2, … , • ••)
•(•) = •(• − 1) ∗ •(•, • − 1)
∩ (• •1, • •2, … , • ••))
where:
where ∪ and ∩ are the union and intersection operators respectively for set
•(•, • − 1) : is the fuzzy logical relationship between
theory.
•(• − 1) and •(•)
Definition 7: Exception case of definition 6
* :represents an operator in the fuzzy set
If ∨ (• •, • • , • • , … ) = ∅, then let ∨ (• •, • • , • • , …) = • •.
Let •(• − 1) = • • and •(•) = • • . The relationship
where • • is the LHS of FLRG established by type-1 observations.
between •(• − 1) and •(•) ( referred to as the FLR [16]) can be denoted by:
If ∧ (• •, • • , • • , … ) = ∅, then let ∧ (• •, • • , • • , …) = • •.
••→ ••
b. Applying the type-2 fuzzy time series model for the stock price
where: prediction problem
• • : is called the left-hand side (LHS) Step 1: Choose a type-1 fuzzy time series model.
• •: is called the right-hand side (RHS) In this paper, Chen’s model [17] is chosen.
44
•
neuron)
Fig. 1 A firework individual is used for optimizing weights and biases of ANN
Step 2: Pick variables and type-1 observations. Suppose •(• − 1) = • • and • • → • •1, • •2, … , • •• then
This work uses the close price for the problem, so the close price is •(•) = • •1, • •2, … , • •• .
selected as type-1 observation. For example, the close price at 4/3/2016 is • 3 and FLRG is • 3 → • 1, • 4, the
Step 3: Apply the type-1 model to type-1 observations and obtain FLRGs close price at 7/3/2016 is • 1, • 4.
TABLE III
Following Chen’s model, the process of forecasting is carried out as F UZZY RELATIONSHIPS
follows:
+ Step 3-1: Define the universe of discourse • on historical time series Fuzzy logical relationship
data •3→ •1
• = [• ••• − • 1, • ••• + • 2] •1→ •1
where • ••• and • ••• are minimum and maximum values •1→ •2
of time series data respectively, • 1 and • 2 are two positive numbers. •2→ •3
•3→ •4
•4→ •4
+ Step 3-2: Divide the universe of discourse • into •
…
equal lengths of intervals • 1, • 2, … , • •
There are many previous works on introducing the
approach to compute the lengths of intervals [19-21]. In this paper, the TABLE IV
F UZZY LOGICAL RELATIONSHIP GROUP
number of intervals n will be calculated by using the distribution-based
technique [19], then the length of each interval will be optimized by the FA.
Fuzzy logical relationship group
• 3 → • 1, • 4
+ Step 3-3: Define fuzzy sets for observations
Fuzzy sets • • are defined through the membership functions, and we use a • 1 → • 1, • 2
triangular fuzzy set (0, 0.5, and 1) as •2→ •3
a degree of membership. •4→ •4
• 1 = 1/• 1 + 0.5/• 2 + 0/• 3 + ⋯+ 0/• •−1 + 0/• • …
• 2 = 0.5/• 1 + 1/• 2 + 0.5/• 3 + ⋯+ 0/• •−1 + 0/• • Step 6: Apply operators in definition 6 to the FLRGs for all the
• 3 = 0/• 1 + 0.5/• 2 + 1/• 3 + ⋯+ 0/• •−1 + 0/• • observations.
… For example:
• • = 0/• 1 + 0/• 2 + 0/• 3 + ⋯+ 0.5/• •−1 + 1/• • At 7/3/2016:
+ Step 3-4: Fuzzify the observations. Some fuzzy values are shown in Close price • 3 → • 1, • 4
Table II. Open price •2→ •3
High price • 1 → • 1, • 2
TABLE II
Low price •2→ •3
F UZZIFY THE DATA
Applying the union operator, we have:
Date Close price Fuzzified price ∨ (• 3, • 2, • 1, • 2) = { • 1, • 4} ∪ {• 3} ∪ {• 1, • 2} ∪ {• 3}
4/3/2016 710.89 •3 = {• 1, • 4, • 3, • 2}
7/3/2016 695.16 •1
Applying the intersection operator, we obtain:
8/3/2016 693.97 •1
∧ (• 3, • 2, • 1, • 2) = { • 1, • 4} ∩ {• 3} ∩ {• 1, • 2} ∩ {• 3} = ∅
9/3/2016 705.24 •2
As ∧ (• 3, • 2, • 1, • 2) = ∅ and • 3 is the LHS of type-1
10/3/2016 712.82 •3
observation, so ∧ (• 3, • 2, • 1, • 2) = • 3 following definition
11/3/2016 726.82 •4
7.
14/3/2016 730.49 •4
Step 7: Defuzzify the forecasts
15/3/2016 728.33 •4
… … … Supposing the forecast when using the operator • ( union
+ Step 3-5: Establish fuzzy relationships based on definition 3. Some or intersection) is • •1, • •2, … , • •• , the arithmetic average of
fuzzy relationships are listed in Table III. intervals • •1, • •2, … , • •• are • •1, • •2, … , • •• respectively [17] the defuzzified
+ Step 3-6: Establish FLRGs based on Definition 4 and are shown in forecast when using the operator • is
Table IV. computed as follows:
Step 4: Pick type-2 observations and fuzzify these observations. ∑•
• •( •) = •=1 • ••
•
Step 5: Map out-of-sample observations to FLRGs for type-1 and type-2 Step 8: Calculate forecasts for the type-2 model
observations and obtain forecasts.
45
• •••••( •)+• ••••••••••••( •) a. On the MLP neural network
•(•) =
2 Using data being removed noise to train the network gives results with
fewer rates of errors and faster speed of convergence when compared to the
3) Improved the type-2 fuzzy time series model using the
original data containing a lot of jags.
FA
With regard to the time series model, the selection of interval lengths is Table V shows that when using Wavelet transform the values of
extremely essential. The intervals with suitable lengths can increase the evaluation criteria reduce about 10% on three data sets. Fig. 8 illustrates that
forecasting accuracy of the model. The lengths of intervals should not be too MLP converges faster with the use of Wavelet as well as fewer errors.
large or small. When an effective length of intervals is too large, there will be
no fluctuations in the fuzzy time series. By contrast, when the length is too
small, the meaning of fuzzy time series will be diminished [19]. In this paper,
the FA is used to optimize the lengths of intervals without modifying the
number of intervals in order to improve the forecasting accuracy of the
proposed type-2 model.
B. Evaluation criteria
The proposed approaches were evaluated according to the root mean
squared error (RMSE), the mean absolute error (MAE) and the mean
absolute percentage error (MAPE) criteria. These criteria are defined as Eqs.
(9)-(11):
2
•••• = √ 1 ×∑ • •=1( • • − • •) (9)
•
Fig. 9 RMSE of the training stage using and non-using the FA (GOOG)
46
evaluation criteria decrease approximately 14% on three data sets. quite close to the actual values. Table X compares both approaches on
evaluation criteria. On the GOOG and YHOO data sets, the type-2 fuzzy time
series model outperforms the MLP, but with regard to the APPL data set the
3) The comparison of effectiveness of the MLP and the
results of the MLP is better. These outcomes point out that both methods
type-2 fuzzy time series model
operate positively on the stock price prediction problem
Some predicted and actual stock prices are presented in Table IX. It can
be seen that the results of both methods are
TABLE V
E XPERIMENTAL RESULTS OF USING WAVELET AND NON-USING WAVELET FOR MLP
TABLE VI
E XPERIMENTAL RESULTS OF USING WAVELET AND NON-USING WAVELET FOR THE TYPE- 2 FUZZY TIME SERIES
TABLE VII
E XPERIMENTAL RESULTS OF USING AND NON-USING FA FOR MLP
TABLE VIII
E XPERIMENTAL RESULTS OF THE TYPE 2 FUZZY TIME SERIES MODEL USING FA AND WITHOUT USING FA
TABLE IX
T HE ESTIMATION PRICES AND ACTUAL PRICES USING TWO METHODS ( GOOG)
47
7/10/2015 530.13 522.6101 521.2576
TABLE X
A COMPARISON OF EXPERIMENTAL RESULTS USING THE ANN AND THE TYPE 2 FUZZY TIME SERIES MODEL
logic is proved as a great substitute for tools that need real time data in stock
IV. C ONCLUSIONS prices. Moreover, the type-2 fuzzy time series model in this work used four
factors including the open, high, low, and close prices to give the estimation
A mathematical modeling of a stock price prediction problem is a process
results, so the outcomes are better when compared with the MLP using only
of determining the variation pattern of variables of the problem from the
the close price.
analysis of figures and historical data. Due to the complexity of the problem
with many practical factors, the common mathematical modeling techniques
expose a large number of limitations. Therefore, this paper explores the soft
N OMENCLATURE
computing methods such as fuzzy logic and artificial neural network to deal
with the stock price prediction problem, resulting in the suggested and ANN Artificial Neural Network FL
reference values for traders. Fuzzy Logic
MLP Multilayer Perceptron
As for MLP, though the obtained results and estimation effectiveness are R EFERENCES
quite positive, the stock price prediction problem usually requires more [1] M. Gerasimo, P. Konstantions, T. Yannis, and T. Babis, "Intelligent Stock
reliable approaches to enhance the efficiency of the training process. Market Assistant using Temporal Data Mining," in
Simultaneously, we need to use the open, high, and low prices in comparison Proceedings 10 th Panhellenics Conference in Informatics (PCI05),
Volos, Greece, 2005.
with the close price to improve the quality of estimation results. However, the
[2] T. H. Roh, "Forecasting the volatility of stock price index," Expert Systems with
current MLP can use only the close price and this is a main drawback of the Applications, vol. 33, pp. 916-922, 2007.
MLP. [3] I. M. Yassin, R. Jailani, M. Ali, R. Baharom, A. Hassan, and Z. I. Rizman,
"Comparison between Cascade Forward and Multi-Layer Perceptron Neural
Networks for NARX Functional Electrical Stimulation (FES)-Based Muscle Model,"
International Journal on Advanced Science, Engineering and Information
Fuzzy logic might overcome a number of disadvantages of conventional Technology, vol. 7(1), 215-221, 2017.
techniques and MLP. The generations of a fuzzy prediction system can rely
on both the expert knowledge and time series data to produce the results. [4] A. Adebiyi, C. Ayo, M. O. Adebiyi, and S. Otokiti, "Stock Price Prediction using
Neural Network with Hybridized Market Indicators," Journal of Emerging Trends
Fuzzy logic provides a flexible approach with fewer assumptions for time
in Computing and Information Sciences, vol. 3, pp. 1-9, 2012.
series data in the field of finance. In addition, fuzzy
48
[5] I. El-Henawy, A. Kamal, H. Abdelbary, and A. Abas, "Predicting stock index using Symposium on Non-Linear Theory and its Applications, 2002, pp. 411-414.
neural network combined with evolutionary computation methods," in The 7th
International Conference on Informatics and Systems (INFOS), 2010, pp. 1-6. [14] G. Cybenko, "Approximation by superpositions of a sigmoidal function," Mathematics
of control, signals and systems, vol. 2, pp. 303-314, 1989.
[6] E. Nourani, A. M. Rahmani, and A. H. Navin, "Forecasting stock prices using a
hybrid Artificial Bee Colony based neural network," in [15] A. Omidi, E. Nourani, and M. Jalili, "Forecasting stock prices using financial data
International Conference on Innovation Management and Technology mining and Neural Network," in 3rd International Conference on Computer Research
Research (ICIMTR), 2012, pp. 486-490. and Development (ICCRD), 2011, pp. 242-246.
[7] T. A. T. Mohd, M. K. Hassan, I. Aris, C. S. Azura, and B. S. K. Ibrahim, "Application
of Fuzzy Logic in Multi-Mode Driving for a Battery Electric Vehicle Energy [16] H. Tanaka, "Fuzzy data analysis by possibilistic linear models,"
Management," International Journal on Advanced Science, Engineering and Fuzzy sets and systems, vol. 24, pp. 363-375, 1987.
Information Technology, vol. 7(1), pp. 284-290, 2017. [17] S.-M. Chen, "Forecasting enrollments based on fuzzy time series,"
Fuzzy sets and systems, vol. 81, pp. 311-319, 1996.
[8] Y. Tan and Y. Zhu, "Fireworks algorithm for optimization," in [18] K. Huarng and H.-K. Yu, "A type 2 fuzzy time series model for stock index
Advances in Swarm Intelligence, ed: Springer, 2010, pp. 355-364. forecasting," Physica A: Statistical Mechanics and its Applications, vol. 353, pp.
[9] J. B. Ramsey, "The contribution of wavelets to the analysis of economic and 445-462, 2005.
financial data," Philosophical Transactions of the Royal Society of London A: [19] K. Huarng, "Effective lengths of intervals to improve forecasting in fuzzy time series,"
Mathematical, Physical and Engineering Sciences, vol. 357, pp. 2593-2606, 1999. Fuzzy sets and systems, vol. 123, pp. 387-394,
2001.
[10] Y. Tan, Fireworks Algorithm: Springer, 2015. [20] K. Huarng and T. H.-K. Yu, "Ratio-based lengths of intervals to improve fuzzy
[11] M. Sifuzzaman, M. Islam, and M. Ali, "Application of wavelet transform and its time series forecasting," IEEE Transactions on Systems, Man, and Cybernetics,
advantages compared to Fourier transform," Part B: Cybernetics, vol. 36, pp. 328-340, 2006.
Journal of Physical Sciences, vol. 13, pp. 121-134, 2009.
[12] K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks are [21] U. Yolcu, E. Egrioglu, V. R. Uslu, M. A. Basaran, and C. H. Aladag, "A new approach
universal approximators," Neural networks, vol. 2, pp. 359-366, 1989. for determining the length of intervals for fuzzy time series," Applied Soft Computing, vol.
9, pp. 647-651, 2009. Yahoo Finance Web. [online]. Available:
[13] H. Takaho, T. Arai, T. Otake, and M. Tanaka, "Prediction of the Next Stock Price [22] http://finance.yahoo.com/ (Accessed 12 March, 2017).
using Neural Network for Data Mining," in International
49