مقاله درمورد قیمت سهام، بازار سهام، بازده سهام، شاخص قیمت

دانلود پایان نامه ارشد

بيني قيمت توسط شبكه عصبي مصنوعي نسبت به روش باكس – جنكنيز مي باشد.
چاوشي(1380) در مطالعهي خود به پيش بيني پذيري رفتار قيمت سهام در بورس اوراق بهادار تهران توسط مدل چند شاخصي آربيتراژ و شبكه هاي عصبي مصنوعي پرداخته است. جهت آزمون اين مساله، قيمت روزانه سهام شركت صنايع بهشهر به عنوان نمونه آماري انتخاب شده است. نتايج حاكي از موفقيت اين دو مدل در پيش بيني رفتار قيمت سهام مورد نظر و همچنين برتري عملكرد شبكههاي عصبي مصنوعي بر مدل چند شاخصي آربيتراژ بوده است.
صفر نواده (1380) در مطالعهي خود به امكان سنجي پيش بيني قيمت سهام در بازار بورس اوراق بهادار تهران پرداخته است. وي اين كار را از طريق بررسي چند متغير مهم و تاثير گذار كه عبارتند از:
نسبت سود تقسيم شده به قيمت سهم (D/P)
نسبت (P/E)
حجم مبادلات (V)
ريسك (R)
تفاوت پايين ترين قيمت سهم با قيمت روز بخش بر قيمت روز سهم ((P-L)/P)
و با استفاده از روشهاي پيش بيني آماري رگرسيون و ARIMA انجام داده است.
بت شكن (1379) در پايان نامه خود از يكي از تكنيكهاي هوش مصنوعي بنام شبكه هاي عصبيفازي ANFIS استفاده نموده و توانايي اين مدل را در پيش بيني قيمت سهام در مقايسه با مدل هاي خطي ARIMA مورد سنجش قرار داده است. در شبيه سازي انجام شده انواعي از شبكه هاي 2 ورودي تا 5 ورودي با تعداد توابع عضويت متفاوت و نگاشتهاي مختلف جهت پيش بيني سري زماني قيمت سهام شركت گروه بهمن مورد استفاده قرار گرفته اند. براي تعيين مدل ARIMA نيز متدولوژي باكس-جنكينز استفاده گرديده است. نتايج بررسي نشان دهنده برتري و اولويت شبكه ANFIS در پيش بيني قيمت سهام نسبت به مدل ARIMA مي باشد.
عزيزخاني (1379) در مطالعه خود از روش هاي تركيبي براي پيش بيني قيمت سهام استفاده كرده است. در انجام اين تحقيق دو شركت به عنوان انتخاب شده و سپس با استفاده از روش هاي پيش بيني فردي قيمت سهام براي چند دوره مورد نظر برآورد شده است و نتايج حاصل از پيش بينيهاي فردي با روشهاي مختلف تركيب شده است. مدل تركيبي از نظر كاهش ميزان خطا با ساير مدل هاي مقايسه شده و در نهايت مدل بهينه معرفي شده است.
تيموري (1378) در پايان نامه كارشناسي ارشد خود تحت عنوان “كاربرد شبكه هاي عصبي در پيش بيني شاخص صنعت تحت تاثير متغيرهاي كلان اقتصادي” به مقايسه روشهاي پيش بيني خطي و عصبي پرداخته كه در آن دادهها بصورت هفتگي ميباشد. شبكه مورد استفاده داراي سه لايه است كه لايه مياني شامل پنج گره بوده و توابع انتقال آن از نوع هلالي مي باشند، نتايج اين تحقيق نشان از برتري محسوس شبكهي عصبي بر رگرسيون خطي دارد.
خالوزاده (1377) در رساله دكتري خود با استفاده از اطلاعات روزانه سري زماني قيمت و بازده سهام شركت شهد ايران به پيش بيني قيمت سهام و نيز ارائه مدل بهينه پرداخته است. روشهاي پيش بيني مورد استفاده در اين تحقيق، شامل روشهاي پيش بيني بر اساس مدل هاي خطي و غير خطي (شبكههاي عصبي) ميباشد و با توجه به نتايج بدست آمده نشان داده شده است كه قيمت سهام از نگاشتهاي پيچيده غير خطي به وجود آمده اند و استفاده از انواع روشهاي خطي صحيح نمي باشد.
رجب زاده قطرمي (1377) در مطالعه خود به بررسي روشهاي پيش بيني و تركيب اين روشها با هدف كاهش خطاي پيش بيني پرداخته است. نتايج بدست آمده حاكي از كاهش بسيار زياد خطاي پيش بيني روشهاي تركيبي نسبت به روشهاي فردي مي باشد.

2-3-2: مطالعات خارجي
تانگ و همكارانش59(2010) با استفاده از تركيب تبديل موجك60 ، شبكه عصبي پيشخور61 و الگوريتم مورچگان62 مدلي براي پيش بيني قيمت سهام ارائه نمودند. ايشان در ابتدا با استفاده از موجك هار63 اقدام به تجزيهي سري زماني قيمت نمودند سپس با استفاده از شبكه عصبي پيشخور پيش بيني صورت گرفت و وزنهاي حاصل از شبكه عصبي با استفاده از الگورتم مورچگان بهينه گرديد. مدل ارائه شده بر روي داده هاي ميانگين شاخص صنعت داو جونز64 (DJIA)، شاخص FTSE-100 بورس لندن (FTSE)، شاخص NiKei-225 بورس توكيو (Nikkei) و شاخص بورس تايوان (TAIEX) مورد آزمون قرار گرفت. مدل مزبور با مدل تركيبي شبكه عصبي و الگوريتم مورچگان، مدل سري زماني فازي65 و شبكه عصبي فازي(ANFIS) مقايسه گرديد. در تمامي موارد آزمون شده مدل پيشنهادي نسبت به بقيه مدل ها از خطاي كمتري برخوردار بود.
هداوندي و همكارانش66 (2010) با استفاده از تركيب شبكه عصبي و ژنتيك فازي67 مدلي براي پيش بيني قيمت سهام ارائه نمودند. ايشان مدل مزبور را بر روي دادههاي جمع آوري شده براي صنعت IT و هواپيمايي بورس نيوريوك آزمون نمودند. مدل پيشنهادي با مدلهاي ARIMA و الگوريتم ژنتيك و شبكه عصبي استفاده شده در پيش بيني مورد مقايسه قرار گرفت كه در تمامي موارد مدل پيشنهادي بر مدلهاي قبلي نتايج بهتري بدست داد.
آلوارز دیاز و میگز68 (2008) از برنامه ریزی ژنتیک برای بررسی کیفیت بنگاهها استفاده نمودند. آن ها از یک GP برای بررسی رابطه بین کیفیت بنگاهها و مجموعه ای از متغیرهای تاریخی، اقتصادی، جغرافیایی، مذهبی و اجتماعی استفاده نمودند. نتایج بدست آمده حاکی از این موضوع است که GP می تواند نتایجی به دقیقی OLS را ارائه دهد.
چن و همکارانش69 در سال 2008 از یک مدل سری زمانی فازی برای پیش بینی کوتاه مدت قیمت سهام تایوان و هنگ کنگ استفاده نمودند. نتایج تجربی بدست آمده از این تحقیق بیانگر این است که روش آماری سنتی و مدل ارائه شده هر دو مشخص میکنند که الگوهای قیمت سهام در این دو بازار کوتاه مدت هستند.
از آنجایی که در بازار سهام، سرمایه گذاران عقلایی پیش بینی هایشان را بر اساس جدید ترین خطاهای پیش بینی اصلاح می کنند، چنگ و همکارانش70 در سال 2008 از یک مدل جدید سری زمانی فازی برای کاهش خطای پیش بینی در بازار سهام تایوان استفاده نمودند. نتایج حاکی از برتری این مدل نسبت به مدل چن و یو71 بوده است.
چانگ و لو72 در سال 2008 از قاعده فازی نوع 73TSK برای پیش بینی قیمت سهام استفاده نمودند. مدل فازی TSK شاخص فنی را به عنوان متغیرهای ورودی در نظر میگیرد و نتیجه بدست آمده یک ترکیب خطی از متغیرهای ورودی میباشد. این مدل بر دادههای شرکت سهامی الکترونیک تایوان آزمون شده است و نتایج بدست آمده حاکی از دقتی نزدیک به 97.6 درصد در شاخص TSE و 98.08 درصد در Media Tek میباشد.
کابودان در سال 2007 از برنامه ریزی ژنتیک و شبکه عصبی برای پیش بینی فضایی قیمت های مسکن استفاده نموده است. نتایج بدست آمده حاکی از برتری GP نسبت به شبکه عصبی میباشد.
گراسیا آلمانزا و تی سانگ74 در سال 2007 از برنامه ریزی ژنتیک برای یافتن نوسانات مهم در قیمت سهام استفاده نمودند. با استفاده از این روش نشان دادند که GP قابلیت یافتن مواردی نادری که با عدم توازن شدید مجموعه داده ها مواجهیم را دارد.
وانگ75 (2007) از شبکه های عصبی غیر خطی برای پیش بینی قیمت سهام استفاده کرده است. وی در این مطالعه روش و ناپایداری نامتقارن هیبریدی را در شبکههای عصبی مصنوعی به کار برده است تا با استفاده از این روش خطای پیش بینی را کاهش دهد. نتایج بدست آمده حاکی از این است که روش ناپایداری GREY-GIR-GARCH قابلیت پیش بینی بیشتری نسبت به سایر روشهای ناپایداری دارد.
لین و همکاران76 (2007) از الگوریتم ژنتیک برای پیش بینی بازار سهام استفاده کردند. نکته مهم برای موفقیت یک قانون تجارت انتخاب مقادیر برای همه پارامترها و ترکیبات آنها می باشد. لیکن دامنه پارامترها در یک محدوده بزرگ تغییر میکند و مشکلی که وجود دارد یافتن ترکیب بهینه پارامتر ها است. در این مقاله از الگوریتم ژنتیک برای فائق آمدن بر این مشکل استفاده شده است.
راج کومار و سیتابرا77 در سال 2007 به بررسی تغییرات رفتار جمعی قیمت سهام در یک بازار در حال رشد پرداختند. در این مقاله از یک ماتریس همبستگی متقاطع برای تغییرات قیمت سهام بازار بورس هند استفاده شده است.
هیوپ ره78 در سال 2007 از مدلهای هیبریدی، شبکههای عصبی و سری زمانی برای پیش بینی تلاطم79 شاخص قیمت سهام با دو رویکرد انحرافی و مستقیم استفاده کرده است.
چنگ و همکارانش80 در سال 2007 مدل سری زمانی فازی دو عاملی را برای پیش بینی شاخص سهام به کار بردند. در این مقاله شاخص سهام و حجم معامله به عنوان عواملی در نظر گرفته شدهاند که در پیش بینی شاخص قیمت موثرند. نتایج حاکی از قابلیت خوب این مدل در پیش بینی شاخص سهام میباشد.
چن و همکارانش81 در سال 2007 از سری زمانی فازی بر اساس رشتهی Fibonacci در پیش بینی قیمت سهام استفاده نمودند. در این تحقیق یک دوره زمانی پنج ساله از داده ها برای TSMC82 ویک دوره زمانی 13ساله برای TAIEX83 در نظر گرفته شده است. مدل بدست آمده نسبت به مدلهای سری زمانی فازی متداول برتری دارد.
ام تی سانگ و همکارانش84 در سال 2007 کاربرد NN585 را در پیش بینی قیمت سهام هنگ کنگ بررسی نمودند. این سیستم بر روی دادههای سهام دو شرکت سهامی بانکداری هنگ کنگ و شانگهای آزمون شده است. این سیستم نرخ موفقیت کلی بیش از 70 درصد را نشان می دهد.
سال سیدو سانز86 و همکارانش در سال 2005 کاربرد برنامه ریزی ژنتیک را در پیش بینی ورشکستگی شرکتهایی که فاقد بیمه عمر هستند، نشان دادند. در این مقاله کارکرد برنامه ریزی ژنتیک با سایر روشهای طبقه بندی مقایسه شده است.
پای و لین87 در سال 2005 از یک مدل هیبریدی آریما و ماشینهای بردار حمایتی88 در پیش بینی قیمت سهام تایوان استفاده نمودند. نتایج محاسبات بدست آمده از این تحقیق بسیار امیدوارانه است.
گروسان و همكارانش89 در سال 2005 از يك روش جديد برنامه ريزي ژنتيك با نام Multi Expression Programming براي پيش بيني دو شاخص سهام استفاده نمودند. عملكرد اين روش را با يك شبكه عصبي مصنوعي كه در آن الگوريتم Levenberg Marquardt استفاده شده بود، مدل نرو فازي تاگاكي سونجو90، تفاضلي از شبكه عصبي پيش رونده91 و ماشين بردار پايه92 مقايسه نمودند.
ال تلباني93 در سال 2004 بازده سهام مصر را با استفاده از روش هاي برنامه ريزي ژنتيك پيش بيني نمود.
پتوین و همکارانش94 در سال 2004 تحقیقی با عنوان ایجاد قوانین تجارت در بازار سهام با استفاده از برنامه ریزی ژنتیک انجام دادند. در این مقاله از برنامه ریزی ژنتیک به عنوان ابزاری برای ایجاد قوانین تجاری در کوتاه مدت در بازار سهام استفاده شده است. این محاسبات برای 14 شرکت کانادایی در بورس تورنتو اجرا شده است. نتایج بدست آمده از این تحقیق نشان میدهد که روش زمان بندی این بازار ممکن است جایگزین مناسبی برای خرید و فروش95 باشد. همچنین نتایج حاکی از این است که قوانین داد و ستد ایجاد شده توسط GP زمانیکه بازار پایدار و یا در حال سقوط میباشد، مفید است. از طرف دیگر در شرایطی که بازار در حال صعود است نتایج به دست آمده از روش GP با روش خرید و فروش مطابقت ندارد.
فرانس ورث و همکارانش96 در سال 2004 از بزنامه ریزی ژنتیک برای پیش بینی بازده روزانه وجوه شاخص S&P500 استفاده کردند که به فرضیه کارایی بازار اشاره دارد. S&P500 یکی از شاخصهایی است که بیشترین مطالعه در سطح جهان بر روی آن انجام شده است.
ال تلباني97 در سال 2004 بازده سهام مصر را با استفاده از روش هاي برنامه ريزي ژنتيك پيش بيني نمود.
پتوین و همکارانش98 در سال 2004 تحقیقی با عنوان ایجاد قوانین تجارت در بازار سهام با استفاده از برنامه ریزی ژنتیک انجام دادند. در این مقاله از برنامه ریزی ژنتیک به عنوان ابزاری برای ایجاد قوانین تجاری در کوتاه مدت در بازار سهام استفاده شده است. این محاسبات برای 14 شرکت کانادایی در بورس تورنتو اجرا شده است. نتایج بدست آمده از این تحقیق نشان میدهد که روش زمان بندی این بازار ممکن است جایگزین مناسبی برای خرید و فروش99 باشد. همچنین نتایج حاکی از این است که قوانین داد و ستد ایجاد شده توسط GP زمانیکه بازار پایدار و یا در حال سقوط میباشد، مفید است. از طرف دیگر در شرایطی که بازار در حال صعود است نتایج به دست آمده از روش GP با روش خرید و فروش مطابقت ندارد.
فرانس ورث و

پایان نامه
Previous Entries مقاله درمورد بورس اوراق بهادار، بورس تهران، بازار اوراق بهادار، بورس اوراق بهادار تهران Next Entries مقاله درمورد مدل ARIMA