منابع پایان نامه ارشد درباره بازار سهام، بورس تهران، نرخ بهره، شاخص بازار بورس

دانلود پایان نامه ارشد

رگرسيون جهت پيش بيني استفاده نموده و نتايج آنها را با هم مقايسه کرده است . از طرف ديگر وي دو شبکه مستقل به نامهاي Close network و Change network را جهت پيش بيني شاخصs&p500 مورد استفاده قرارداده است که هر کدام يک خروجي متفاوت بدست مي دهند .
خروجي Close network خود شاخص وخروجي Change network تغييرات شاخص فوق است . داده هاي ورودي وخروجي تحقيق مذکور به شرح زير است :

تاريخ
Date
بيشترين مقدار S&P500
S&P500 H
کمترين مقدار S&P500
S&P500 L
مقدار پاياني S&P500
S&P500 C
مقدار پاياني شاخص خدمات رفاهي عمومي داو جونز
DOW Utilities Index C
شاخص نفت امکس
Amex Oil Index C
شاخص متوسط صنعتي داو جونز
CRBC DOW Industrial Index v
شاخص معدني طلا ونقره
Gold & silver Minig C
مقدار پاياني شاخص براي دهمين روز آينده
Future 10 days s&p 500 c

که داده تاريخ به عنوان «استفاده نشده»، مقدار پاياني شاخص در دهمين روز آينده به عنوان خروجي و ساير داده ها به عنوان داده هاي ورودي تعريف شده اند . شبکه عصبي مورد استفاده در تحقيق فوق شبکه Ward Networkبا قانون يادگيري پس انتشار خطا است که شامل يک لايه ورودي ، سه لايه مياني و يک لايه خروجي است . تعداد نرون ها موجود در هر لايه و تابع فعاليت هر لايه به صورت زير مي باشد :

لايه اول (ورودي ): شامل 13 نرون با تابع خطي {1و1-}
لايه دوم ( پنهان ): شامل 16 نرون با تابع فعاليت Gaussian
لايه سوم ( پنهان ): شامل 16 نرون با تابع فعاليت Tanh
لايه چهارم ( پنهان ) : شامل 16 نرون با تابع فعاليت Gaussian Comp
لايه پنجم ( خروجي ) : شامل 1 نرون با تابع فعاليت Logistic

معيارهاي ارزيابي در تحقيق ذکر شده عبارت از ضريب تعيين ميانگين خطا و انحراف معيار، برازش خطا و تئوري بيز جهت مقايسه احتمال موفقيت مدل ها ، بوده است .

نتيجه تحقيق : کاتسورليز در نتياج تحقيق خود نشان مي دهد که شبکه هاي عصبي نسبت به رگرسيون از دقت بيشتري برخوردار بوده است . وي همچنين نتيجه گرفته است که شبکه پيش بيني نتایج بهتري را نسبت به رگرسیون ارايه کرده است.

ماريوس جانيوس کويشيوس از دانشگاه استکهلم سوئد در سال 2003 تحقيق با عنوان «آزمون کارايي بازار سهام با استفاده از شبکه هاي عصبي – مطالعه موردي بازار سهام ليتواني » انجام داده است . وي در ابتداي تحقيق خود پرسش تحقيق را به صورت زير بيان داشته است :

« آيا بازار سهام ملي ليتواني در سطح ضعيف کارا می باشد ؟»

کويشيوس براي پاسخ دادن به پرسش مطرح شده، اهميت بازده تصميمات اتخاذ شده مبتني بر پيش بيني شبکه هاي عصبي از دو شاخص LITIN (شامل سهام هاي با ويژگي نقد شوندگي بالا) و شاخص LITIN-G ( شامل کل سهام هاي موجود در بازار) را بعد از مد نظر قرار دادن هزينه معاملات، مورد بررسي آماري قرارداده است . در اينجا، او هريک از شاخص هاي فوق را به عنوان يک دارايي مدنظر قرار داده است .

محدوده داده هاي مورد استفاده در اين تحقيق شامل اعداد شاخص هاي فوق براي دوره ژانويه 1999 الي پايان اکتبر 2002 بوده است که حدود 700 داده (70%) به عنوان داده هاي آموزش شبکه و253 عدد بعدي (30%) براي آزمون شبکه مورد استفاده قرار گرفته است . در تحقيق مذکور از سه ساختار شبکه عصبي متفاوت به شرح زير استفاده شده است :
مدل 1-5-4(چهار ورودي ، پنج مياني و يک خروجي )
مدل 1-2-3 ( سه ورودي ، دو لايه مياني و يک خروجي )
مدل 1-1-3( سه ورودي ، يک لايه مياني و يک خروجي)

همچنين جهت آموزش شبکه از الگوريتم يادگيريLeven-Marquerdt استفاده شده و ابزار پياده سازي شبکه نرم افزار Matlab6.5 محصول Math Work Inc (2002) شرکت بوده است . تابع فعاليت استفاده شده در شبکه تابع سيگموييد يا تانژايت هايپر بوليک مي باشد .

محقق در اين تحقيق بازده تصميمات اتخاذ شده مبتني بر شبکه هاي عصبي را (با فرض در اختيار داشتن يک سرمايه ثابت ) با بازده استراتژي خريد ونگهداري مقايسه نموده است . در خصوص تصميم گيري مبتني بر پيش بيني شبکه عصبي وي چهار آستانه تصميم گيري 1%، 3%،5%و10% را همراه با چهار سطح از هزينه معاملات 0%1% ، 25% و5% تعريف نموده است . تعداد دفعات پيش بيني براي هر شاخص ، هر شبکه ، هر سطح از آستانه وهر سطح از هزينه معاملات 10 بار تکرار گرديده است . لذا کل داده هاي پيش بيني شده برابر 960(10*4*4*3*2) بوده است . با توجه به اينکه تعداد دفعات پيش بيني کوچک تر از 30 بوده است از آزمونt استيودنت جهت آزمون فرضيه استفاده نموده است .

نتيجه تحقيق : نتايج تحقيق فوق نشان مي دهد که بازده تصميم گيري مبتني بر شبکه هاي عصبي در همه موارد به جز يک مورد ( پيش بيني شاخصLITTIN-G با استفاده از شبکه 1-2-3 وآستانه تصميم 1% با سطح هزينه معاملات 25./% ) به طور معني داري بالاتر از بازده استراتژي خريد ونگهداري بوده است .

يون واسويلز از اساتيد دانشگاه ميسوري براي پيش بيني قيمت سهام از يک شبکه عصبي چهار لايه با روش يادگيري پس انتشار خطا استفاده نمودند که نتيجه آن به ميزان قابل توجهي بهتر از روش سنتي بود . در اين تحقيق داده هاي به دو گروه تقسيم شده بود و نتايج حاصل از آن نشان مي داد که در مرحله يادگيري در حاليکه دقت روش سنتي 74% بوده است ، دقت شبکه عصبي 91% مي باشد . همچنين در مرحله آزمون يا تست نيز دقت اين دو روش به ترتيب 65% و5/77% مي باشد .

جينگ تايو يايو وهين لي پوه از دانشگاه ملي سنگاپور با استفاده از يک شبکه عصبي پس انتشار پيش بيني شاخص کل بورس کوالالامپور را مورد مطالعه قراردادند. ونشان دادند که با استفاده از شبکه هاي عصبي مي توان به پيش بيني هايي با دقت ملاحظه دست يافت .

پژوهش ديگري در خصوص کاربرد شبکه هاي عصبي در پيش بيني شاخص سهام ، توسط چن ، ليونگ و دايوک(2002) درخصوص بازار نوظهور تايوان انجام گرديده است . هدف آنها در حقيقت پيش بيني جهت حرکت شاخص بازار بورس تايوان بود. همچنين آنها به جاي استفاده از سري زماني خود شاخص ، از عوامل اقتصادي مانند نرخ بهره کوتاه مدت ، نرخ بهره اوراق قرضه دولتي ، نرخ رشد توليد ناخالص داخلي وشاخص قيمت سبد مصرف کننده به عنوان داده هاي ورودي به مدل ، استفاده کردند. در تحقيق فوق از سه مدل شبکه عصبي احتمالي مدل GMM همراه با کالمن فيلتر ومدل گام تصادفي ، به منظور پيش بيني استفاده گرديده است ونتايج آنها با يکديگر مورد مقايسه قرار گرفته است . نتايج اين تحقيق نيز حکايت از کارايي بيشتر شبکه هاي عصبي در پيش بيني شاخص بورس تايوان نسبت به دو مدل ديگر، دارد .

اين نويسندگان در سال 2000 نيز پژوهش ديگري با هدف مقايسه مدل هاي پيش بيني سطح ومدل هاي پيش بيني جهت حرکت شاخص ، انجام داده بودند . هر چند آنها نتيجه گرفته اند که مدل استفاده شده به منظور پيش بيني جهت حرکت شاخص بازده بيشتري را به دست داده اند نکته قابل توجه در نتايج ارايه شده آنها اين است که در هر دو گروه مدل ، بازده شبکه هاي عصبي نسبت به ساير تکنيک ها بهتر بوده است.

مطالعه ديگري توسط خان هوانگ ولين در سال 2002 با عنوان «آيا مدل نروفازي مي تواند شاخص هاي سهام را بهتر از روش هاي پيشين، پيش بيني کند ؟» انجام شده است در اين تحقيق بازده شاخص هاي KD، مبتني بر استراتژي خريد ونگهداري و تصميم گيري مبتني بر پيش بيني حاصل از مدل هاي GARCH-M، شبکه هاي عصبي وسيستم هاي عصبي فازي مورد مقايسه قرار گرفته است . نتايج اين تحقيق نشان مي دهد که نرخ بازده حاصل از تصميم گيري مبتني بر پيش بيني شبکه هاي عصبي وسيستم هاي عصبي فازي به طور معني داري بزرگتر از نرخ هاي بازده حاصل از ساير روشها مي باشد و آنها پيشنهاد کرده اند در شرايطي که بازار از کارايي به دور است مي توان براي کسب بازدهي بيشتر از اين مدل ها سود جست .

به دليل تشابه مطلب از ذکر ساير تحقيقات انجام شده خودداري مي کنيم وتوجه خود را به دو نکته معطوف مي داريم نخست آنکه در اکثر پژوهش هاي انجام شده در زمينه پيش بيني بازار سرمايه با شبکه هاي عصبي ، از شبکه پس انتشار که قابليت بالايي در تحليل سيستم هاي پويا دارد استفاده شده است واين خود دليلي بر اين امر بوده است که در اين تحقيق نيز از اين شبکه استفاده نماييم . نکته دوم آنکه در همه مقالات فوق ، تلاش پژوهشگران بر آن بوده است تا تنها با در دست داشتن اطلاعات مربوط به ويژگي مورد مطالعه در گذشته ، وضعيت آينده متغير مربوط را پيش بيني کنند که اين خود حکايت از تازگي موضوع تحقيق مي نمايد .

ب ) تحقيقات انجام شده در ايران
در زمينه استفاده از شبکه هاي عصبي در مسايل بازار سهام وبورس در ايران تحقيقاتي انجام شده است که به عنوان نمونه موارد زير ذکر مي گردد :

مدلسازي غيرخطي و پيش‌بيني رفتار قيمت سهام در بازار بورس تهران،حميد خالوزاده؛ به راهنمايي: علي خاكي‌صديق.

رساله حاضر تحت عنوان ”مدلسازي غيرخطي و پيش‌بيني رفتار قيمت سهام در بازار بورس تهران” به دو قسمت قابليت پيش‌بيني (يا پيش‌بيني‌پذيري) و پيش‌بيني تفكيك شده است.
الف-پيش‌بيني‌پذيري (قابليت پيش‌بيني): سه روش عمده به عنوان روشهاي آزمون پيش‌بيني‌پذيري قيمتها (بازده) معرفي و اعمال شده است .
الف – 1: تحليل، تغيير مبناي حوزه تغييرات سري زماني (R/S) بر پايه تحليل R/S، تشخيص يك سري زماني تصادفي از يك سري غيرتصادفي، بدون درنظر گرفتن توزيع آن (اعم از گوسي و يا غيرگوسي) امكان‌پذير مي‌گردد. تحليل R/S يك روش آماري مقاوم است كه به كمك آن مي‌توان طول متوسط دوره‌هاي گردش را در سري زماني مربوطه اندازه‌گيري كرد.
الف – 2: تحليل، تخمين بعد همبستگي: يكي از مهمترين روشهاي آزمون پيش‌بيني‌پذيري قيمتها، تحليل غيرخطي تخمين بعد همبستگي فرآيند مولد آنهاست، روش تخمين بعد همبستگي معياري براي آزمون نظريه آشوب در يك فرآيند سري زماني است . با اين روش ، بعد همبستگي فرآيند مولد قيمت (بازده) سهام شرکت شهد ايران محاسبه مي‌گردد، مقدار بدست آمده پديده آشوب را در فرآيند مولد قيمت (بازده) نشان مي‌دهد و همچنين فرآيند سري زماني مربوط را از يك فرآيند تصادفي و اتفاقي متمايز مي‌كند.
الف – 3: تحليل، تخمين بزرگترين نماي لياپانوف : در اين روش، سعي بر بازسازي ساختار ديناميكي فرآيند مولد سري زماني با استفاده از داده‌هاي تاخير يافته مي‌گردد. سپس ميزان انقباض و يا انبساط جهت هاي مختلف در فضاي بازسازي شده اندازه‌گيري مي‌گردد. نماي مثبت نشانگر آن است كه مسيرهاي حالت نزديك به هم با گذشت زمان از يكديگر واگرا و دور مي‌شوند و تفاوت كوچكي در شرايط اوليه، اختلاف زيادي را در طول زمان بوجود مي‌آورد، بنابراين وجود شرايط نادقيق اوليه، پيش‌بيني‌هاي بلند مدت نادرستي را به همراه خواهد داشت .
ب – پيش‌بيني: روشهاي پيش‌بيني مورد استفاده در رساله به سه دسته زير تقسيم شده‌اند:
ب – 1: روشهاي پيش‌بيني براساس مدلهاي خطي: از ساختار (ARIMA (p, d, q براي مدلسازي خطي استفاده شده است ، و پيش‌بيني قيمت و بازده سهم صورت گرفته است . عليرغم عملكرد خوب مدلهاي خطي بدست آمده در پيش‌بيني قيمت (بازده) روز بعد و خطاي كوچك اين مدلها، حساسيت مدلها نسبت به حالتهاي اوليه بسيار بالا بوده، و اين امر موجب عملكرد ضعيف و عدم كارايي مدلهاي خطي ARIMA در فرآيند پيش‌بيني دراز مدت است .
ب – 2: روشهاي پيش‌بيني براساس مدلهاي غيرخطي (شبكه‌هاي عصبي غيرخطي): استفاده از شبكه‌هاي عصبي براي انجام نگاشت و تقريب توابع و نهايتا مدلسازي فرآيندهاي ديناميكي در واقع تعميمي بر تحليل رگرسيون و آمار كلاسيك است . از تكنيكهاي مدلسازي براساس شبكه‌هاي عصبي براي مدلسازي رفتار قيمت سهام به صورتهاي مختلف استفاده شده است . در نهايت ساختاري براي پيش‌بيني دراز مدت ارايه گرديده است .
ب – 3: روشهاي پيش‌بيني

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره ارزش بازار، بورس اوراق بهادار، بورس اوراق بهادار تهران، بورس تهران Next Entries منابع پایان نامه ارشد درباره حجم مبادلات سهام، ساختار داده، صنعت خودرو