مقاله درمورد رگرسیون، سری های زمانی، شبکه های عصبی، روشهای رگرسیون

دانلود پایان نامه ارشد

هوشمند (یادگیری ماشینی)54
نقطه مشترک این روشها، پیش بینی کردن و منفعت بردن از رفتار آیندهی بازار می باشد. هیچ یک از این روشها به عنوان روش صحیح و مسلط در دنیای سرمایهگذاری معرفی نشده اند. در ادامه در مورد هر یک از این روشها، ورودی ها و خروجی های آنها توضیح داده می شود. (عباس پور، 1381)

2-2-8-1: تحلیل فنی
آنالیز فنی روش پیش بینی زمان مناسب برای خرید و فروش یک سهم می باشد. این روش توسط افرادی که روند حاکم بر بازار را روندی روانی می دانند، دنبال می شود. از دیدگاه آنها قیمت سهام در بازار با توجه به عکس العمل سرمایه گذاران به نیروهای مختلف حرکت می کند. تحلیل گران فنی با استفاده از نمودارهای دادههای فنی از قبیل: قیمت، حجم مبادله، پایین ترین و بالاترین حجم مبادله در هر پریود مبادله برای پیش بینی جهت حرکت سهام در آینده استفاده می نمایند. نمودارگرها از نمودار قیمت برای کشف روندهایی استفاده می کنند که بر اساس مسائل عرضه و تقاضا می باشند و اغلب دارای الگوهای سیکلی یا قابل توجه می باشند. از مطالعه این نمودارها قوانین تبادل استخراج شده و در بازار مورد استفاده قرار می گیرد. نمودارگرها معتقدند که بازار 10% منطقی و 90% روانی عمل می نماید. روش تحلیل فنی، یک روش عادی و عمومی برای پیش بینی بازار می باشد عیب عمده این روش، استخراج قوانین تبادل از نمودارها می باشد که به شدت وابسته به قضاوت ذهنی است و در نتیجه تحلیل گران مختلف می توانند قوانین تبادل مختلفی را از نمودارهای یکسان برداشت نمایند.

2-2-8-2: تحلیل بنیادی
تحلیل گرانی که از این روش استفاده می نمایند، از داده های بنیادی برای به دست آوردن تصویری شفاف از شرکتی که می خواهند در آن سرمایه گذاری نمایند، بهره می گیرند. هدف تحلیل گران بنیادی تعیین مقدار ذاتی داراییای است که در آن سرمایهگذاری می کنند. آنها این مقدار را بر اساس مطالعه متغیرهایی از قبیل رشد، سود تقسیمی سهام، نرخ بهره، ریسک سرمایه گذاری، سطح فروش، نرخ مالیات و غیره تعیین می نمایند و سپس از قانون مبادله زیر استفاده می نمایند:
اگر ارزش ذاتی دارایی بیشتر از ارزش بازاری آن باشد در آن سرمایه گذاری کن در غیر این صورت نه. در واقع تحلیل گران بنیادی معتقدند که بازار 90% منطقی و 10% روانی است.
تحلیل بنیادی به منظور پیش بینی بازار بر اساس افق بلند مدت می باشد زیرا داده هایی که به منظور تعیین مقدار ذاتی یک دارایی استفاده می شوند روزانه نیستند.
2-2-8-3: پیش بینی های سری زمانی کلاسیک
در روش های پیش بینی سری های زمانی کلاسیک، داده های تاریخی را تجزیه و تحلیل می نمایند و سعی می کنند مقادیر آینده یک سری زمانی را بر اساس ترکیب خطی از داده های تاریخی تقریب بزنند. دو نوع از پیش بینی سری های زمانی کلاسیک وجود دارد:
رگرسیون یک متغیره
رگرسیون چند متغیره
روش رگرسیون، عمومی ترین ابزار برای پیش بینی سری های زمانی در اقتصاد سنجی می باشد. برای استفاده از این روش ابتدا مجموعه ای از عواملی که سری تحت پیش بینی را متاثر می نمایند، تشکیل می شود. این عوامل به متغیر توضیحیx_1 معروفند. سپس یک نگاشت بین مقادیر x_1t و مقادیر سری زمانی y_t صورت می گیرد.
روش های باکس جنکینز55 از مهم ترین و پراستفاده ترین روش های سری زمانی کلاسیک در جهت مدل کردن و تجزیه و تحلیل نمودن سری های زمانی می باشد. باکس و جنکینز سیستمی شامل یک یا چند ورودی و یک خروجی را برای تشریح روال سری زمانی پیشنهاد می کند. شکل زیر این سیستم فرضی را نشان می دهد:

x_1t
y_t x_2t
شکل 2-1: سیستم فرض مشتمل بر چند سری زمانی ورودی و یک سری زمانی خروجی
x_1t و … سری های زمانی هستند که فرض می شود بر یکدیگر اثر متقابلی ندارند و به نوعی در تغییرات سری زمانی خروجی سیستمy_t موثرند. بنابراین از ترکیب مقادیر این سری در زمانهای مختلف، میزان مقدار سری خروجی را در هر لحظه دلخواه t تخمین زد. ترکیب کننده ای هم در درون سیستم مفروض است که انتقال از مقادیر ورودی و خروجی را انجام می دهد که به آن تابع انتقال می گویند.
در صورتیکه عوامل موثر بر ایجاد سری زمانی خروجی را نشناسیم و یا اگر عوامل معلومند ولی داده های آنها موجود نباشد، برای مدل بندی سیستم، سری زمانی فرضی را که برایند همه عوامل موثر بر ساخت سری زمانی ورودی است جایگزین این عوامل می کنیم.

2-2-8-4: روش های هوشمند
این روشها از یادگیری استقرایی استفاده می کنند. همه این روشها از یک مجموعه داده برای ایجاد تقریب تابع مولد آنها بهره می گیرند. این روشها شامل سه گروه اصلی میباشند:
روش های بر اساس شبکه های عصبی (NNs)
روش های فازی
روش های مبتنی بر محاسبات تکاملی
روش های مبتنی بر محاسبات تکاملی به سه گروه اصلی تقسیم می شوند که عبارتند از:
الگوریتم های ژنتیک (GAs)
برنامه ریزی تکاملی (EP)
برنامه ریزی ژنتیک (GP)
لازم به ذکر است که از برنامه ریزی ژنتیک، شبکه های عصبی و برنامه ریزی تکاملی برای ساخت مدل های پیش بینی غیر خطی استفاده می کنند؛ در حالی که الگوریتم ژنتیک را برای میزان کردن پارامترهای بعضی مدل های پیش بینی خطی، غیر خطی و آماری بکار می برند.(واگنر56 و همکاران،2006)

2-2-8-5:جمع بندی روشهای پیش بینی
همانطور که قبلا تعریف شد؛ سری زمانی مجموعهای از مشاهدات است که بر حسب زمان مرتب شدهاند(فاطمی،1375) و پیشبینی بارزترین مورد استفاده از سریهای زمانی میباشد، بطوریکه در صنعت و اقتصاد از اهمیت زیادی برخوردار است.
در مدلهای علی و معلولی از رابطه بین سری زمانی مورد نظر و یک یا چند سری زمانی دیگر بهره میجویند. اگر این متغیرهای اخیر با متغیر مورد نظر دارای همبستگی باشند و برای این همبستگی ظاهرا علتی وجود داشته باشد، می توان یک مدل آماری که توصیف کننده این رابطه باشد، بنا کرد سپس با دانستن مقادیر متغیرهایی که به یکدیگر همبسته شدهاند، می توان از مدل استفاده تا متغیر غیر مستقل را پیشبینی کرد. یک محدودیت آشکار برای استفاده از مدلهای علت و معلولی نیاز به این امر است که متغیرهای مستقل در زمانی که پیش بینی به عمل میآید معلوم باشند. یکی از مناسبترین روشهای سری زمانی استفاده شده مدل ARIMA میباشد، در حال حاضر در این مدل روش مناسبی وجود ندارد که به محض اینکه مشاهدهی جدیدی در دسترس قرار گرفت، تخمین پارامترهای مدل را اصلاح یا به روز نماید و پژوهشگر ناگزیر است بطور کامل مدل را برازش نماید. و همچنین ما باید فرض نماییم که تکامل آینده سری زمانی با گذشته یکسان خواهد بود، یعنی شکل مدل با زمان تغییر نخواهد نمود. عدم امتیاز نهایی مدلهای ARIMA سرمایهگذاری مورد نیاز در زمان یا سایر منابع برای ساختن یک مدل رضایت بخش است، ولی این مدلها بخصوص برای سریهای زمانی ای که در فاصلهی نمونهگیری خیلی کوچکند، بدیل اینکه تاریخ نسبتا طولانی یی را به آسانی میتوان تهیه کرد به نحو شایستهای مناسبند.(فاطمی،1375)
شبکههای عصبی مصنوعی در واقع یک سیستم داده ÷ردازی اطلاعات هستند و دارای خصوصیات اجرایی خاص مانند شبکههای عصبی جانوری است. همچنین این روشها از جمله مدلهای تابع انتقال بوده که کاربرد وسیعی پیدا کردهاند، این مدلها بطور طبیعی از زمینههایی ناشی میشوند که یک ساختار همبسته کننده یا ساختار علی بین متغیرهایی که بطور موقت یا بطور مداوم با هم مرتبط بودهاند، وجود دارد. مدلهای تابع انتقال فرض میکنند که ورودی Z_t متغیر X_t را تحت تاثیر قرار میدهند؛ اما این رابطه تک سویی است، یعنی X_t روی Z_t تاثیری ندارد. این موضوع میتواند در عمل غیر واقعی باشد.(مصطفی کیا،1388)
روشهای تحلیل رگرسیون اماری غیر خطی شبیه شبکههای عصبی است. تجربههای زیادی موجب شده است که روشهای نگاشت توسط شبکههای عصبی با بهترین روشهای رگرسیون غیر خطی قابل مقایسه باشند. روشهای شبکه عصبی نسبت به روشهای رگرسیون خطی برای فضاهایی با ابعاد بالا ارجحیت دارد.
مهمترین امتیاز شبکههای عصبی جهت نگاشت نسبت به روشهای رگرسیون آماری کلاسیک این است که شبکههای عصبی شکل تابعی عمومی تری را نسبت به روشهای آماری کلاسیک دارند بعنوان مثال در تحلیلهای فوریه نمونههای یادگیری به شکل امواج سینوسی و بصورت مضاربی صحیحی از فرکانس، برای محاسبه یک تابع بکار میروند. در محاسبات عصبی شبکههای عصبی نمونههای یادگیری را جهت تنظیم دقیق دامنه، فاز و فرکانس بکار میبرد و موجب افزایش چشمگیر دقت تابع می شود. شبکههای عصبی از جمع آثار خطی پیروی نکرده و همچنین انحصارا از توابع متعامد استفاده نمی کنند. در تحلیل های رگرسیونی آماری توابع خطی برازشی می توانند توابعی غیر خطی از اطلاعات ورودی باشند ولی تنها از توابع خطی نسبت به پارامترها استفاده میگردد. در رگرسیون آماری غیر خطی توابع برازش می توانند هم نسبت به اطلاعات ورودی و هم نسبت به پارامترها غیر خطی باشد.(خالوزاده،1377)
شبکههای عصبی مصنوعی اصلا میتواند بعنوان یک روش رگرسیون غیر خطی بکار رود. تفاوت اساسی دیگر بین شبکههای عصبی و رگرسیون در این است که معمولا در تحلیلهای آماری ساختار داخلی شبکههای عصبی ناشناخته باقی میماند، یعنی ساختار داخلی آن نامعلوم باقی میماند و مانند یک جعبه سیاه ممتد عمل میکند، ولی نتایج آن در بسیاری از موارد مفید میباشد. ساختارهای شبکه های عصبی معمولا موقتی است وای راهنمائیهایی برای برازش با یک مدل آماری میتواند ارائه نمایند.(هاپتوف57،1993 و تانگ58،1991)
لذا بسیاری از شبکه های عصبی از نظر عملکرد معادل رویههای استاندارد آماری هستند به عنوان مثال شبکههای پروسپترون تعمیمی از مدلهای خطی هستند.(مصطفی کیا،1388)

2-2-9: شاخص قیمت سهام
شاخص بهای سهام در اقتصاد هر کشوری یکی از اساسی ترین متغیر های کلان اقتصادی است؛ به گونه ای که رشد متعادل و مداوم این شاخص به معنای رشد و رونق اقتصادی کشور استدو برعکس، کاهش مداوم آن نشان از رکود اقتصاد دارد و تغییرات انفجاری و پیوسته آن (در جهت بالا و پایین) گویای بی ثباتی شرایط اقتصادی جامعه است.
همانگونه که در هنگام خرید کالا نخستین پرسش از مغازه دار بهای کالاست، سرمایه گذار نیز هنگام خرید سهام، به یکی از نخستین نکاتی که توجه دارد، تغییرات بهای سهام است.
هر سرمایه گذاری در هنگام خرید سهام مهمترین مسئله ای را که در نظر می گیرد، تغییرات قیمت آن سهام می باشد. لذا لازم است که از نماینده ای جامع از عملکرد بازار به عنوان شاخص قیمت استفاده نماید. تغییرات قیمت هر سهم میتواند ناشی از دو عامل باشد، یکی شرایط ویژه ایست که بر قیمت آن سهم بخصوص تاثیر می گذارد، مثلا مدیریت بهینه و کارا در سازمان، افزایش سرمایه و سودآوری و … و دیگری عوامل تاثیر گذار بر کل بازار سهام می باشد، که این عامل به عنوان ریسک بازار شناخته می شود، تغییرات مداوم و ناهمگون شاخص نماینگر افزایش ریسک در بازار می باشد و می دانیم که سرمایه گذاران ترجیح می دهند در یک بازار آرام و مطمئن که سیر مشخصی دارد سرمایه گذاری کنند، زیرا عموما سرمایه گذاران ریسک گریز هستند و افزایش ریسک در بازار سرمایه موجب کاهش سرمایه گذاری در آن می شود.
ارزیابی یک سبد فرضی از کل سهام یک بازار مالی کار بسیار دشواری است، لذا نماینده ای به عنوان شاخص جهت آشکار سازی روند حرکت بازار، در اختیار سرمایه گذاران گذاشته شده است تا بتوانند با کمک آن در خرید سهام تصمیمات بهتری اتخاذ نمایند.

2-2-10: تعریف شاخص
شاخص از لحاظ لغوی به معنای نماینده، نشان دهنده و نمودار می باشد، و وسیله ایست جهت تشخیص و یا تمایز بین دو متغیر، اما از لحاظ آماری کمیتی است که به صورت نسبی تغییرات را در گروههای مختلف بیان می کند.
شاخص بطور کاربردی به عنوان نماینده ای از بین کمیت های همگن می باشد و می تواند میزان و جهت تغییر این کمیت ها را بطور نسبی اندازه گیری کند، شاخص بر حسب مقدار آن در یک زمان پایه سنجیده می شود که این مقدار پایه را عموما 100 فرض می کنند، بنابراین بر مبنای شاخص می توان تغییرات ایجاد شده در متغیرهای

پایان نامه
Previous Entries مقاله درمورد بورس اوراق بهادار، بورس تهران، بازار اوراق بهادار، بورس اوراق بهادار تهران Next Entries مقاله درمورد قیمت سهام، شبکه عصبی، شاخص قیمت، الگوریتم ژنتیک