مقاله درمورد قیمت سهام، شبکه عصبی، شاخص قیمت، الگوریتم ژنتیک

دانلود پایان نامه ارشد

همکارانش100 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.
جوليانا ييم (2002)101 مطالعهاي جهت مقايسه روش هاي پيش بيني شبكه عصبي و روشهاي پيش بيني كلاسيك (ARMA, GARCH) انجام داده است. معيار ارزيابي MSE و R^2 مي باشد. نتايج نشان دهندهي برتري شبكه هاي عصبي نسبت به نمونههاي ARMA وGARCH است.
كابودان (2000)102 از برنامه ريزي ژنتيك براي پيش بيني روزانه قيمت سهام 6 شركت آمريكايي استفاده نمود و بر اساس نتايج بدست آمده از اين پيش بيني يك استراتژي تجارت را ارائه كرده است. همچنين از اين روش استفده كرده است تا نشان دهد قيمتهاي سهام قيمت هاي قابل پيش بيني هستند.
تان، پروخوف و ونچ (1995)103 سيستمي را طراحي نمودند كه تغييرات قابل ملاحظه كوتاه مدت قيمت سهام را پيش بيني ميكند. ابتدا پيش پردازشي روي دادهها صورت گرفته و سپس شبكه عصبي مدل سازي مي شود كه موقعيتهاي خيلي خوب سوددهي را تخمين مي زند.
ريفنز، زاپرانيس و فرانسيس (1994)104 با مدل سازي رفتار قيمت سهام توسط شبكههاي عصبي، عملكرد آن را با مدل هاي رگرسيون مقايسه نموده اند، در اين تحقيق از شبكههاي عصبي به عنوان يك جايگزين براي تكنيكهاي آماري كلاسيك و از اين شبكهها براي پيش بيني سهام شركتهاي بزرگ استفاده شده است. نتايج نشان مي دهد كه شبكه هاي عصبي نسبت به تكنيكهاي آماري عملكرد بهتري دارند و مدلهاي بهتري ارائه مي دهند.
يون و اسويلز (1991)105 از اساتيد دانشگاه ميسوري براي پيش بيني قيمت سهام از يك شبكه عصبي چهار لايه با روش يادگيري پس انتشار (BP) استفاده نمودهاند كه نتيجه حاصل از آن به ميزان قابل توجهي بهتر از روش سنتي مي باشد. دقت شبكه در روش شبكه عصبي 77.5% و روش سنتي 65% مي باشد.

2-4: نتیجهگیری و خلاصه فصل
در این فصل ابتدا مبانی نظری پژوهش بیان شد و سپس به بیان انواع روشهای پیشبینی توضیح داده شد و سپس بصورت خلاصه نتایجی از تحقیقات داخلی و خارجی صورت گرفته پیرامون پیشبینی شاخص قیمت سهام بیان گردید، با توجه به مطالب بیان شده در این فصل مواردی همچون زیر را میتوان نام برد که محقق در این پژوهش دنبال پاسخگویی به آن میباشد:
در برخی از تحقیقات صورت گرفته مدلهای خطی بر مدلهای غیر خطی برتری نسبی را نشان میدهد ولی در عمده تحقیقات صورت گرفته این برتری متعلق به مدلهای غیر خطی است، دلیل این باید در سری زمانی شاخص قیمت جستوجو کرد، لذا محققین در این پژوهش با آگاهی از این موارد به دنبال ارائهای روشی جدید برای پیشبینی شاخص قیمت میباشد، بطوریکه هم اثرات خطی و هم غیرخطی سری زمانی شاخص قیمت در نظر گرفته شود، این مهم را با استفاده از روش تبدیل موجک به منظور ترکیب مدلهای خطی و غیرخطی دنبال خواهیم نمود.
در مدلهای غیر خطی مورد مطالعه در تحقیقات پیشین هیچگونه روابطی قابل فهم استخراج نگردیده است تا سرمایهگذاران و سایر استفادهکنندگان بتوانند با توجه به روابط استخراج شده اقدام به پیشبینی آینده تصمیمات خویش باشند، ما در این پژوهش به دنبال استخراج روابطی منطقی بین دادههای پژوهش هستیم بطوریکه الگوهای استفاده شده توسط مدلهای غیر خطی برای خواننده قابل فهم باشد، این مهم در این پژوهش با ترکیب الگوریتم ژنتیک با تئوری فازی صورت خواهد گرفت.

3-1: مقدمه
هدف از نگارش این فصل، بحث و بررسی پیرامون روش و متدولوژی تحقیق است. ابتدا، روش انجام تحقیق بیان خواهد شد سپس به معرفی جامعهی آماری تحقیق و معرفی متغیرهای مورد استفاده در تحقیق می پردازیم. در قسمت بعدی فرضیات تحقیق بیان میشود. سپس مدلهای مورد استفاده توضیح داده میشود. در نهایت روشهای متداول ارزیابی عملکرد مدلهای پیشبینی جهت انتخاب مدل پیشبینی برتر را بر میشماریم.

3-2: روش تحقیق
این تحقیق از نظر هدف، کاربردی و از نوع تحقیقات شبه تجربی است. در این تحقیق به منظور پیش بینی شاخص قیمت بورس اوراق بهادار تهران؛ از مدل سری زمانی ARIMA، شبکهی عصبی درک چندلایه(MLP) و تکنیک استخراج قانون از شبکه های عصبی با استفاده از الگوریتم ژنتیک فازی و استفاده از تبدیل موجک به منظور تفکیک نوسانات دادهها و همچنین کاهش سطح خطای مدلهای مورد استفاده میباشد. اما با توجه به اينکه به طور مطلق نمي توان در مورد توان پيش بيني يک مدل نظري داد، پس بايد از مدل ديگري براي مقايسه نتايج استفاده کرد. از این رو، به منظور انتخاب مدل بهینه، عملکرد آنها مورد مقایسه قرار گرفت. این تحقیق نسبت به تحقیقات گذشته دارای دو مزیت ملموس و مهم است؛ اول اینکه در این تحقیق به منظور بهبود مدل پیش بینی از تبدیل موجک استفاده شده است، همچنین از آنجائیکه شبکه های عصبی مانند جعبهی سیاه است و چگونگی روابط بین متغیرها را نمایان نمی کند، از این رو از تکنیک استخراج قانون استفاده شده است؛ تکنیک استخراج قانون مورد استفاده در این پژوهش الگوریتم ژنتیک فازی میباشد. مراحل كلي تحقيق به اين صورت ميباشد كه بر مبناي ادبيات تحقيق، مدلهاي تحقيق تدوين گرديد. سپس متغيرهاي مورد نظر تحقيق از منابع اطلاعاتي و پايگاههاي اطلاعاتي مختلف استخراج شد و در نهايت مدلهای مورد استفاده برای مورد برازش قرار گرفت. درنهايت برای تعیین مدل برتر از معیار های ارزیابی عملکرد مدل استفاده گردید. لازم به ذکر است تجزیه و تحلیل داده ها با استفاده از نرم افزار MATLAB و نرم افزار اقتصادی Eveiws انجام گرفت.

3-3: جامعه آماری و متغیرهای تحقیق
3-3-1: جامعه آماری
از آنجائیکه بازار سرمایه در هر کشوری آینهی تمام نمای وضعیت اقتصادی آن کشور است و شاخص قیمت بیانگر وضعیت بازار سرمایه در زمان فعال بودن بازار میباشد لذا سری زمانی دادههای روزانه شاخص قیمت بورس اوراق بهادار تهران از سال 1384 لغایت 1389 به عنوان جامعه آماری تحقیق انتخاب گردیده است. دادههای مزبور از سایت سازمان بورس و اوراق بهادار تهران استخراج گردیده است.

3-3-2: متغیرهای تحقیق
در این تحقیق با توجه به نتایج تحقیق رعیت(1388)، سجادی و همکاران(1388) و صمدی و همکاران(1387) قیمت روزانه سبد نفت ایران، قیمت جهانی طلا، قیمت روزانه ارز دولتی و شاخص روزانه S&P500 بورس نیویورک به عنوان متغیرهای مستقل(ورودی شبکه عصبی) انتخاب شدند، داده های فوق به ترتیب از سایت کتابخانه سازمان اوپک، پایگاه اطلاعاتی سایت بانک جهانی، سایت بانک مرکزی جمهوری اسلامی ایران و پایگاه اطلاعاتی سایت بانک جهانی برای دوره مورد مطالعه استخراج گردید.

3-4: سوالات و فرضیههای تحقیق
سؤالات تحقیق به شرح زیر قابل طرح است:
آیا سری زمانی خطی ARIMA مدل مناسبی برای پیش بینی قیمت سهام است؟
آیا شبکه عصبی درک چند لایه(MLP) در پیش بینی قیمت سهام بر مدل خطی ARIMA برتری دارد؟
آیا تکنیک استخراج قانون(ExtractionRule ) از شبکه های عصبی با استفاده از الگوریتم ژنتیک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد؟
آیا تکنیک استخراج قانون(ExtractionRule ) از شبکه های عصبی با استفاده از الگوریتم ژنتیک در پیش بینی قیمت سهام بر شبکه عصبی درک چند لایه(MLP) برتری دارد؟
آیا ترکیب مدل ARIMA با شبکه عصبی برای پیش بینی قیمت سهام با استفاده از تبدیل موجک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد؟
آیا مدل ترکیبی تبدیل موجک، شبکه عصبی و الگوریتم ژنتیک فازی در پیشبینی شاخص قیمت نسبت به بقیه مدلهای ارائه شده از دقت بالاتری برخوردار است؟
بنابراین فرضیات اصلی تحقیق به صورت زیر خواهد بود:
فرضیه1) مدل خطی ARIMA مدل مناسبی برای پیش بینی قیمت سهام بدست می دهد.
فرضیه2) شبکه عصبی درک چند لایه(MLP) در پیش بینی شاخص قیمت نسبت به مدل خطی ARIMA عملکرد بهتری را نشان می دهد.
فرضیه3) تکنیک استخراج قانون(ExtractionRule ) از شبکههای عصبی با استفاده از الگوریتم ژنتیک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد.
فرضیه4) مدل ترکیبی ARIMA، شبکه عصبی درک چند لایه و تبدیل موجک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد.
فرضیه5) مدل ترکیبی تبدیل موجک، شبکه عصبی درک چند لایه و الگوریتم ژنتیک فازی در مقایسه با سایر مدلها ارائه شده از دقت بالاتری برخوردار است.

3-5: آماده سازی داده های ورودی
آماده سازی داده ها یکی از مراحل پیچیدهی کاربرد شبکه های عصبی است. بخشی از این پیچیدگی به علت انتخاب دادهها و مثالهای صحیح میباشد و بخش دیگر به تغییر مقیاس دادههای آموزشی ورودیها و خروجیها بر میگردد، چرا که بهترین وضعیت برای شبکه های عصبی هنگامی است که تمام ورودی ها و خروجی ها بین صفر و یک باشند. یکی از دلایل تأکید بر قرار داشتن ورودی ها در دامنهی صفر و یک، این است که توابع انتقال (مانند تابع سیگموئید) نمیتوانند بین مقادیر خیلی بزرگ فرق بگذارند. از طرف دیگر، این کار موجب سادگی بیشتر نیز میشود، زیرا خروجیها و ورودیهای لایه های بعدی، در دامنهی صفر تا یک قرار میگیرند. بنابراین با استفاده از فرمول زیر کلیهی داده ها نرمال شدند:
(3-1) X_n=X_i/X_max
ما در این پژوهش در کلیه مدلهای آماری استفاده شده از دادههای نرمال شده استفاده میکنیم.

3-6: معرفي مدلهاي تحقيق
امروزه پيش بيني قیمت سهام مورد توجه محققين قرار گرفته و روش هاي متنوعي نيز در اين رابطه بکار گرفته شده است. يکي از جديدترين روشهاي پيشبيني، رويکرد شبکههاي عصبي مصنوعي مي باشد. شبکه هاي عصبي از جنبه توپولوژي، ساختاري و روشهاي يادگيري به انواع مختلفي تقسيم مي شوند و هر يک در کاربردهاي خاصي عمـلکرد مناسـبي از خود نشــان مي دهند. شبکه عصبي درک چند لايه يکي از متـداول ترين شبکه هاي کاربردي است. در مباحث نظري اثبات شده است که شبکه MLP در صورت انتخاب صحيح ساختار مناسب داخلي، قادر است هر گونه سيستم غير خطي را مدل کرده و شبيه سازي نمايد. با توجه به اينکه به طور مطلق نمي توان در مورد توان پيش بيني يک مدل نظري داد، پس بايد از مدل هاي ديگري براي مقايسه نتايج استفاده کرد. در اين تحقيق، به منظور پیش بینی شاخص قیمت بورس اوراق بهادار تهران ابتدا از روش سری زمانی خطی ARIMA استفاده میگردد، سپس پیش بینی با شبکه عصبی درک چند لایه تکرار میگردد؛ از آنجاکه شبکههای عصبی روابط بین متغیرها را بیان نمیکند لذا برای رفع این مشکل شبکههای عصبی از الگوریتم ژنتیک استفاده میکنیم و با استفاده از وزنهای بهینه بدست آمده از شبکه عصبی مصنوعی، الگوریتم طراحی شده آموزش داده میشود و دوباره پیش بینی با این روش تکرار می گردد. در نهایت با استفاده از تبدیل موجک اقدام به تفکیک نوسانات سری زمانی شاخص قیمت بورس اوراق بهادار تهران می نماییم، این تبدیل سری زمانی را به دو سری بر اساس نوسان در واحد زمان تفکیک مینماید، ما در این پژوهش نوسانات با فرکانس بالا را با استفاده از شبکه عصبی و نوسانات با فرکانس پایین را با استفاده از مدل سری زمانی خطی ARIMA پیش بینی می نماییم؛ سپس بوسیله عکس تبدیل موجک گرفته شده، پیش بینی های حاصله را با هم ترکیب مینماییم تا پیش بینی نهایی حاصل گردد.

3-6-1: مدل سری زمانی خطی ARIMA
در فرآيند p,d,q ,ARIMA(p,d,q)به ترتيب بيانگر تعداد جملات خود رگرسيو، مرتبه تفاضل گيري وتعداد جملات ميانگين متحرک ميباشند. در صورتي کهd برابر با صفر گردد، فرآيند ARIMAتبديل به فرآيند ARMAميشود. معمولا براي تخمين الگويARIMA و ARMA از روش باکس- جنکينز استفاده مي‌کنند؛ که داراي سه مرحله شناسايي، تخمين، تشخيص دقت پردازش می‌باشد و درنهايت پيش‌بيني سري زماني به آن اضافه مي‌شود. تعداد جملات خودرگرسيو و تعداد جملات ميانگين متحرک را مي‌توان با استفاده از توابع

پایان نامه
Previous Entries مقاله درمورد رگرسیون، سری های زمانی، شبکه های عصبی، روشهای رگرسیون Next Entries پایان نامه رایگان درمورد بازاریابی، رضایت مشتری، تحلیل عامل، تحلیل عاملی