شبکه عصبی، شبکه های عصبی، بازار سهام

دانلود پایان نامه ارشد

مبنای آنتروپی جریان اطلاعات سهام انجام داده است. شدت جریان اطلاعات سهام و رابطه آن با تغییرات قیمت، توسط شبکه عصبی برآورد و اندازه گیری شده و البته در نهایت رابطه معناداری میان جریان اطلاعات و قیمت سهام شناسایی شد.
کوپلن88 (2007) با ارائه مدلی برای مدل سازی فرآیند شبکه عصبی در پیش بینی جهت تغییرات قیمت سهام، به مطالعه مشکلاتی در زمینه پیش بینی جهت تغییر قیمت پرداخته است که به وسیله تغییراتی در شبکه عصبی طراحی شده، کاهش یافته و پیش بینی های مالی دقیق تری را ارائه می نماید.
شن و همکاران89 (2007) با پیشنهاد شبکه عصبی تأخیری با الگوریتم یادگیری adaptive learning و pruning algorithm به پیش بینی تغییرات غیر خطی شاخص سهام پرداخته است. نتایج شبیه سازی و مقایسه نشان می دهد که پیش بینی به این روش نه تنها نسبت به روش های کلاسیک دقیق تر است، بلکه مدلی با پیچیدگی کمتر نیز تخمین می زند.
خان و همکاران90 (2008) با مقایسه شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک و شبکه عصبی پس خور بازگشتی در مورد مقایسه نرخ تغییرات قیمت سهام، به این نتیجه رسید که شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک عملکرد بهتری نسبت به الگوریتم رقیب خود به صورت معنادار دارد.
یلدیز و همکاران91 (2008) شبکه عصبی کارای سه لایه با الگوریتم پس خور بازگشتی طراحی کرده و به پیش بینی جهت تغییرات شاخص بازار سهام استانبول پرداخته است. به عنوان نتیجه، دقت پیش بینی انجام شده توسط این شبکه بیش از 74 درصد بوده که نسبت به الگوریتم های کلاسیک برتری معناداری دارد.
اس دی و دی ای92 (2008) به بررسی سوددهی استراتژی معاملاتی در بازار سهام بر مبنای پیش بینی جهت تغییرات قیمت سهام پرداخته است. نمونه مورد مطالعه شاخص نزدک93 بوده است و الگوریتم پیشنهادی جهت پیش بینی شاخص نیز شبکه عصبی معرفی شده است. نتایج تحقیق نشان دهنده کارا بودن استراتژی معاملاتی از لحاظ آماری نسبت به روش قدم زدن تصادفی می باشد.
گورسن و کایاکوتلو94 (2008) کارایی مدل شبکه عصبی، شبکه عصبی جاری95، شبکه عصبی دینامیک96، و ترکیب شبکه عصبی با الگوریتم های GARCH و EGARCH را مقایسه و بررسی کرده است و برای این بررسی از دو معیار MSE و MAD بهره گرفته شده است. تحقیق مورد نظر در بازار سهام استانبول صورت گرفته است.
سی دی و ام97 (2009) modified NN را مطالعه و پیش بینی کرده است که استراتژی خرید، نگهداری و فروش به صورت بهینه چگونه باشد تا شاخص بازار سهام بیشترین سود را عاید سرمایه گذار کند. نتایج به دست آمده نشان دهنده کارایی مثبت شبکه نسبت به تحلیل تکنیکال دارد اما این کارایی معنادار نبوده است.
ای ال و همکاران98 (2009) با اجرا کردن یک مقایسه در بازار سهام برزیل99، دو متد شبکه عصبی و adaptive exponential smoothing را مقایسه کرده و موضوع مقایسه را نیز پیش بینی جهت تغییرات شاخص سهام تعیین کرده است. نتایج نشان دهنده برتری معنادار شبکه عصبی بوده است.
کاو و همکاران100 (2009) نشان می دهد که شبکه های عصبی توانایی از بین بردن غیرخطی بودن موجود در داده های مالی را داشته و می توانند پیش بینی های خوبی را در مورد مدل های پیچیده غیر خطی انجام دهند. نتایج بین شبکه عصبی و متدهای کلاسیک آماری برای بازار سهام پرتغال101 مقایسه شده است.

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام
شبکه های عصبی نشان داده اند که قادر به پیش بینی سهام با نوسان بالا و غیرخطی را با قدرت یادگیری بالای خود دارند. شبکه های عصبی پیش رو، متدوال ترین معماری شبکه های عصبی هستند که در پیش بینی سهام به کار می روند. در این شبکه ها جریان اطلاعات فقط در یک جهت، از لایه ورودی به لایه میانی و از لایه میانی به لایه خروجی می باشد.
وایت102 (1998) با استفاده از شبکه های عصبی پیش رو سه لایه به پیش بینی قیمت سهم IBM پرداختند. آنها از داده های قیمتی 5000 روز برای پیش بینی، که 1000 تای آن جهت آموزش شبکه های عصبی به کار گرفته شدند استفاده کردند. نتایج، به قدر کفایت و در حد مورد انتظار نبود، اما آنها اثبات کردند که شبکه های عصبی کارایی خوبی در پیش بینی بازار سهام دارند.
در مجامدر و حوساین103 (2000) قیمت بسته شدن شاخص سهام هندوستان104 توسط شبکه های عصبی پیش بینی شد. در این تحقیق از داده های ده سال برای آموزش و تست شبکه استفاده شده و همچنین نویسندگان یک شبکه عصبی بهینه شده با معماری تلفیقی از شبکه عصبی پس خور بازگشتی سه لایه با ده نورون و شبکه عصبی پیش رو سه لایه با پنج نورون در ادامه طراحی کرده و توانستند بالاترین دقت خود را به 89.65 درصد و میانگین دقت خود را به 69.72 درصد برسانند.
بسیاری از محققان در مورد مقایسه نتایج عملی به دست آمده از شبکه های عصبی مصنوعی و مدل های رگرسیون خطی در پیش بینی سهام پرداخته اند. منتری و همکاران105 (2010) به مطالعه مقایسه ای نوسان پذیری BSE Sensex 30 و NSE Nifty 50 پرداخته و نتایج به دست آمده از گارچ، ای گارچ، جی گارچ و آی گارچ را با پرسپترون های چند لایه مقایسه کرده است.
106GARCH یک مدل توسعه یافته از 107ARCH می باشد. ARCH یک رویکرد اقتصادی آنالیز نوسانات سری های زمانی در بازارهای مالی می باشد. GARCH برای از بین بردن محدودیت ARCH در کار با محدودیت های غیر منفی به وسیله واریانس شرطی معرفی شده. EGARCH108 یک توسعه از GARCH و چارچوبی برای مدل کردن نوسانات کمتر از عکس العمل سرمایه گذاران می باشد. IGARCH109 یک بسط دیگر از مدل GARCH محدود می باشد که تمامی پارامترها را در یک پارامتر تلفیق می کند و لذا یک GARCH تک ریشه ای خوانده می شود.
نویسنده اطلاعات چهارده سال را استفاده کرده و نشان داد که اگرچه نوسانات کسب شده توسط MLP کمتر بوده است، ولی این تفاوت از لحاظ آماری معنادار نبوده است. دونالدسون و کمسترا110 (1997) نیز کارایی همان مدل ها را با ANN-GARCH مقایسه کرده اند. آنها برای این کار از بازده های روزانه مربوط به چهار بازار بین المللی لندن، توکیو، نیویورک و تورنتو استفاده کرده و نتایج نشان دهنده برتری شبکه عصبی تک لایه نسبت به مدل های دیگر است.
تیلاکاراتن و همکاران111 (2007) به پیش بینی سیگنال های معملاتی AORD برای یک روز جلوتر پرداخته و به عنوان ورودی از شاخص S&P 500 آمریکا، شاخص FTSE 100 انگلستان، شاخص CAC 40 فرانسه، شاخص DAX آلمان و قیمت بسته شدن خود AORD استفاده کرده اند. برای پیش بینی از دو شبکه عصبی پیش رو و شبکه عصبی احتمالی استفاده کردند و ارزیابی نتایج بر مبنای نرخ کلاس بندی درست سیگنال ها، نشان دهنده برتری هر دو این شبکه ها از مدل های کلاسیک بود.
شیرهلت و دگلی112 (1996) شاخص S&P 500 را با استفاده از MLP و PROBABLISTIC NN پیش بینی کرده اند. ورودی های این شبکه ها قیمت های بسته شدن S&P 500، و نرخ های مبادلاتی YEN، POUND و مارک برای یک سال بوده است. نتایج نشان دهنده برتری معنادار Probabilistic NN نسبت به MLP بودند.
چارخا113 (2008) به صورت همزمان به پیش بینی روند سهام و قیمت سهام با استفاده از شبکه های عصبی پیش رو و شبکه های عصبی پس خور بازگشتی پرداخته است. آنها آزمایش خود را بر روی اطلاعات NSE (National Stock Exchange) انجام دادند و نتایج به دست آمده حاکی از برتری شبکه های پس خور نسبت به شبکه های پیش رو در پیش بینی روند به میزان بیست درصد بودند. با این حال شبکه های پیش رو در زمینه پیش بینی قیمت قدرت مندتر تشخیص داده شده و صحت بالاتری در پیش بینی از خود نشان دادند.
سوتی بنجارد و پرم چایسوادی114 (2010) به پیش بینی بازار سهام تایلند با استفاده از شبکه های پس خور بازگشتی پرداختند. آنها از داده های 124 روزه برای آموزش و معیارهای MSE و MAPE برای اندازه گیری نرخ خطا استفاده کردند. نتایج نشان دادند که شبکه عصبی توانایی بالاتری در کسب سود نسبت به استراتژی های کلاسیک سرمایه گذاری دارد.
در یاو و همکاران115 (1999)، شاخص سهام کولالامپور116 با استفاده از شبکه های عصبی پس خور بازگشتی و ورودی های تحلیل تکنیکال و مقادیر شاخص پیش بینی شده است. پایگاه داده از سال 1984 تا 1991 تعیین شده است و نتایج به دست آمده با مدل ARIMA مقایسه شده اند و حاکی از برتری شبکه های عصبی دارند.
تنموژی117 (2006) بازده روزانه BSE را با استفاده از MLP پیش بینی کرده است. مجموعه داده ها شامل مقادیر BSE برای 17 سال بوده است. آنها به نتایج رضایت بخشی در این مورد رسیده و به این نتیجه رسیدند که مقادیر روز قبل بر پیش بینی روز بعد اثر بسیار زیادی داشته و می تواند به پیش بینی دقیق کمک کند.
ژانگ118 (2004) جهت پیش بینی سیگنال های خرید و فروش، شبکه عصبی چند لایه پس خور بازگشتی در داده کاوی مالی به کار برده است. پژوهش از داده های هفت ساله شاخص شانگهای119 از سال 1995 تا 2003 استفاده کرده است. آنها نشان دادند که مدل پیشنهادی از استراتژی خرید و نگهداری120 بهتر عمل کرده و دقت 85 درصدی از خود نشان می دهد.
یلدیز121 (2008) از یک شبکه عصبی چند لایه پیش رو همراه با الگوریتم پس خور بازگشتی برای پیش بینی جهت تغییرات سهام استانبول122 استفاده کرده اند. 1905 مشاهده در این تحقیق استفاده شده و پارامترهای ورودی شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن و نرخ مبادله دلار می باشند؛ نتایج نشان دهنده دقت 74 درصدی پیش بینی در جهت بوده است.
به منظور بهبود نتایج تحقیقات انجام شده، برخی از محققان به ترکیب الگوریتم پس خور بازگشتی با الگوریتم های دیگر پرداخته اند. در فنگ و چنگ123 (2009)، محققان برای پیش بینی شاخص شانگهای از Levenberg – Marquardt Backpropagation در یک شبکه پیش رو سه لایه استفاده کردند. نتایج نشان دهنده عملکرد بهتر این الگوریتم نسبت به حالت معمول داشتند.
خان و بندوپادیایا124 (2008) به مقایسه الگوریتم پس خور بازگشتی با الگوریتم پس خور بازگشتی بر مبنای ژنتیک برای پیش بینی قیمت سهام به صورت روزانه استفاده کردند. نتایج الگوریتم مبتنی بر ژنتیک نسبت به حالت عادی برتری داشت. مجموعه داده ها مربوط به Maruti برای دو سال بودند و دقت کسب شده توسط الگوریتم ژنتیک بنیان 98 درصد در مقابل 93 درصد برتری داشتند.
در مهرآرا و همکاران125 (2010) نویسندگان به بررسی و مقایسه MLP با الگوریتم پیش رو پس خور بازگشتی و GDMH126 با الگوریتم ژنتیک برای پیش بینی شاخص سهام تهران (TEPIX) پرداخته و نتایج حاصل از برتری GDMH با الگوریتم ژنتیک داشتند.
یک مطالعه مقایسه ای در قاح127 (2007) برای شاخص صنعتی داوجونز انجام شد که در آن MLP، adaptive neuro-fuzzy و شبکه های عصبی پیش رو با یکدیگر مقایسه شدند. در این مطالعه، داده های ده ساله داوجونز به صورت میانگین مورد استفاده قرار گرفتند. آنها با مقایسه زمان حل، نرخ بیش برازش و همبستگی ها نشان دادند که که شبکه های عصبی معمولی نسبت به دو الگوریتم دیگر زمان زیادتری برای حل نیاز داشته و بیشتر دچار بیش برازش می شوند.
لی و ژیونگ128 (2005) به پیش بینی شاخص شانگهای با استفاده از شبکه های عصبی فازی129 پرداختند. مجموعه داده های استفاده شده مربوط به بازه مارس 2004 تا مارس 2005 بوده و نتایج نشان دهنده برتری شبکه عصبی فازی نسبت به شبکه عصبی معمولی داشتند.
مندژیک و جاروسویک130 (2007) با استفاده از neuro – evolutionary of NN with GA به پیش بینی بازار سهام آلمان (DAX) پرداخته و به عنوان ورودی از مقادیر DAX، بازار سهام توکیو (NIKKEI 225)، بازار سهام نیویورک (DJIA) و نرخ های مبادلاتی یورو / دلار و دلار / ین استفاده شدند. بازه تحقیق از آپریل 2004 تا آگوست 2004 بوده و نتایج نشان دهنده برتری neuro-evolutionary نسبت به مدل های رقیب خود داشتند.
نائینی و همکاران131 (2010) به پیش بینی بازار سهام با استفاده از MLP، Elman recurrent NN و feed forward و رگرسیون خطی پرداختند. مجموعه داده های استفاده شده در این تحقیق از سال 2000 تا 2004 برای شاخص بورس تهران بوده و یافته ها، حاکی از

پایان نامه
Previous Entries شبکه عصبی، شبکه های عصبی، بازار سهام Next Entries شبکه های عصبی، داده کاوی، قیمت سهام