منابع پایان نامه ارشد درباره بورس اوراق بهادار، بورس اوراق بهادار تهران، شبکه عصبی، مدل ARIMA

دانلود پایان نامه ارشد

………………………………………………………………………..127

فهرست اشکال
عنوان صفحه

‏21- عوامل موثر بر قيمت سهام 37
‏22-یک نرون بیولوژیکی ساده 49
‏23- شمای ساده یک آکسون عصبی 50
‏24- شمای ساده از نحوه مقدار دهی یک سلول عصبی 50
‏25- نحوه مقدار دهی در سلول عصبی 51
‏26- الگوریتم یک شبکه عصبی چند لایه پیشخور 56

فهرست جداول

عنوان صفحه

جدول ‏21- شیوه های محاسبه شاخصص قیمت سهام 40
جدول ‏22-شاخص هاي منتشره در بورس لندن 42
جدول ‏23-شاخصهاي 21 گانه بورس اوراق بهادار تهران 46
جدول ‏41-شاخص و نمودار خود همبستگي وآزمونQ براي شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 80
جدول ‏42-آزمون ديكي فولر براي شاخص بورس اوراق بهادار تهران در سطح 82
جدول ‏43-شاخص و نمودار خودهمبستگي وآزمونQ براي تفاضل مرتبه اول شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 83
جدول ‏44-آزمون ديكي فولر براي تفاضل مرتبه اول شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 84
جدول ‏45-چگونگي تشخيص فرآيند ARIMA 85
جدول ‏46-شاخص و نمودار خود همبستگي و خود همبستگي جزيي تفاضل مرتبه اول شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 87
جدول ‏47-برآورد ضرايب مدل ARIMA 89
جدول ‏48-آزمون مانايي براي پسماندهاي حاصل از مدل ARIMA 91
جدول ‏49-مقاديرMSE وR حاصل از شبكه عصبي در طي سي بار تكرار 95
جدول ‏410-نتايج حاصل از مدل رگرسيون 97

فهرست نمودارها
عنوان صفحه
نمودار ‏31-روند شاخص پنجاه شرکت برتر بورس تهران 72
نمودار ‏41- نمودار خود همبستگي تفاضل مرتبه اول شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 86
نمودار ‏42-نمودار خود همبستگي تفاضل مرتبه اول شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 86
نمودار ‏43-خطاي پيش بيني حاصل از مدل ARIMA 92
نمودار ‏44-مقایسه مقادیر واقعی و پیش بینی شده توسط شبکه عصبی 96

چکیده
هدف از این تحقیق پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با استفاده از شبکه های عصبی است و به منظور آزمون نتایج این پیش بینی و اینکه شبکه های عصبی توانایی پیش بین بهتری دارند یا سایر روشهای آماری نتایج حاصل از شبکه عصبی مطلوب با روشهای آماری آریما و رگرسیون مورد مقایسه قرار گرفت که به صورت معنی داری مشخص شد شبکه عصبی در مقایسه با روشهای آماری ذکر شده بهتر می تواند نسبت به پیش بینی شاخص مورد نظر این تحقیق اقدام نماید.
روش انجام تحقيق حاضر،پيمايشي و مقايسه اي از نوع همبستگي مي باشد. روش گردآوري اطلاعات به صورت کتابخانه اي مي باشد که از طريق مراجعه به کتب ، مقالات و منابع موجود در کتابخانه هاي سازمان بورس اوراق بهادار تهران و جستجو درشبکه جهاني اينترنت و همچنين مطالعه و بررسي پايان نامه ها و رساله هاي کارشناسي ارشد و دکتري ، مطالب مرتبط به موضوع تحقيق گردآوري و استفاده شده است.
قلمرو تحقيق از نظر مکاني محدود به سازمان بورس اوراق بهادار تهران واز نظر زماني در برگيرنده دوره زماني 08/04/1371 الي 09/03/1386 مي باشد . از نظر قلمرو موضوعي ، تحقيق حاضر به بررسي کارايي اطلاعاتي بازار سرمايه ايران در سطح ضعيف مي پردازد .

کليات موضوع تحقيق

مقدمه
پيش بيني آينده در عرصه پوياي اقتصاد و بازار سرمايه يکي از مهم ترين مسايل مورد بحث در ميان پژوهشگران اقتصادي وعلوم مالي بوده است . روشهاي کلاسيک مانند رگرسيون گرچه توفيقات نسبي در اين زمينه ها داشته اند ، اما نتايج آن نتواسته است پژوهشگران اين عرصه را راضي نمايد . غير خطي بودن داده هاي اقتصادي ومالي، از مـدتها پـيش مـشاهده شـده ومحققان محـدوديـتهاي مربـوط بـه تـکنيکـهايي را که فرض مي کنند يک ارتباط خطي بين اين داده ها وجود دارد را درک کرده وشناخته اند. اما استفاده از اين تکنيکها به خاطر ساده بودن تفسير ضرايب برآوردي وهمچنين راحت بودن پياده سازي آنها ، مورد توجه قرار گرفته است . بنابراين تلاش براي دستيابي به مدلهاي دقيق تر و بهتر همچنان ادامه دارد . ويژگي مسايل اقتصادي وتجاري اين است که به شدت تحت تاثير مسايل اجتماعي ، سياسي وفرهنگي است که بسياري از پارامترهاي آنها ناشناخته بوده و با روشهاي کمي به سختي قابل اندازه گيري هستند. پيدايش تکنولوژي شبکه هاي عصبي که توان منحصر به فردي در تحليل اطلاعات در دسترس، دارند باعث گرديده که متخصصان در تحليل و پردازش داده ها وعوامل مرتبط به موضوعات اقتصادي، بازرگاني، مالي و… به سمت آن گرايش پيدا کنند. استفاده از روشهاي غير خطي در زمينه هاي مالي تلاش ديگري در جهت بهبود پيش بيني متغيرهاي مطلوب است . استفاده از هوش مصنوعي وشبکه هاي عصبي در پيش بيني متغيرهاي مالي ، يکي از اين تکنيکها ميباشد .
معمولاً به منظور پيش بيني وقايعي که در آينده اتفاق مي افتد به اطلاعات به دست آمده از رويدادهاي تاريخي اتکا مي شود . به اين ترتيب که داده هاي گذشته تجزيه وتحليل مي گردد تا از آن الگويي قابل تعميم به آينده حاصل گردد .اين فرآيند که در اغلب روشهاي پيش بيني مورد استفاده قرار مي گيرد ، مبتني بر اين فرض است که روابط بين متغيرها در آينده نيز ادامه خواهد داشت .
روشهاي پيش بيني مي تواند کاملا ساده يا پيچيده، کوتاه مدت يا بلند مدت ، کمي يا کيفي باشد . اما عليرغم تنوع در روشهاي موجود ، مي توان آنها را به دو گروه اصلي : روشهاي کيفي و روشهاي کمي، طبقه بندي نمود1.
در روشهاي کيفي ،پيش بيني مبتني بر قضاوت ذهني وتجارب شخصي فرد پيش بيني کننده است . در حاليکه در روشهاي کمي ، با استفاده از تجزيه وتحليل داده هاي گذشته ، ارزش متغير مورد نظر پيش بيني مي گردد . روشهاي رگرسيون وسريهاي زماني نمونه هايي مي باشند که در آنها از روشهاي کمي به منظور پيش بيني استفاده مي گردد. سري زماني يک متغير ، مشاهدات متوالي تاريخي مربوط به آن متغير است و در تجزيه وتحليل سري زماني تلاش مي شود با استفاده از مقادير گذشته، مقدار آينده آن متغير تعيين گردد.
جهت پيش بيني بازار از تکنيکهاي مختلفي استفاده شده است که معمول ترين آنها روشهاي رگرسيون ومدلهاي «ARIMA» هستند2.اما اين مدلها در عمل جهت پيش بيني بعضي از سريها ناموفق بوده اند زيرا ساختار آنها خطي است و از اين نظر محدوديت ذاتي دارند ( لين،عليخان وهوانگ 2002) در ايـن زمـينه مـدلـهاي «ARCH/GARCH» نيز مورد اسـتفاده قـرار گرفـته اند( انگل 1982 وبولرس لو 1986). اما هنوز سريهاي ديگري وجود دارند که نمي توان با استفاده از اين روشها به پيش بيني قانع کننده اي در خصوص آنها دست يافت . تحقيقات اخير در زمينه شبکه هاي عصبي نشان داده است که اين شبکه ها ويژگيهاي لازم جهت کاربردهاي مرتبط از قبيل درون يابي يکنواخت وغير خطي، توانايي فراگيري سريهاي پيچيده غير خطي وقابليت وفق شدن با توزيع هاي مختلف آماري را دارند.
از ميان روشهاي هوشمند ، سيستم هاي عصبي کاربرد زيادي در مورد سريهاي زماني دارند. اين سيستمها با دريافت اطلاعات مربوط به وروديهاي (سري زماني اعداد) ارتباطات بين آنها را کشف کرده ومعادله مربوط را فرا مي گيرند وآن را براي نتايج بعدي تعميم مي دهند. شبکه هاي عصبي مصنوعي شکل بسيار ساده اي از سيستم عصبي طبيعي هستند . همانطور که مي دانيم شبکه عصبي انسان از سلولهايي به نام نرون تشکيل شده است که اين نرونها اطلاعات دريافتي را ذخيره وپردازش کرده ارتباطات بين آنها را کشف مي کنند. سيستم هاي عصبي مصنوعي نيز از يک سري نرونهاي عصبي بسيار ساده استفاده مي کنند. اين شبکه ها بسته به نوع مدلي که انتخاب مي شود از چند لايه تشکيل مي شوند که نرونهاي عصبي در اين لايه ها وجود دارند در حقيقت کار اصلي را اين نرونها و ارتباطات بين آنها را انجام مي دهند . يک شبکه عصبي داراي يک لايه ورودي ، يک لايه خروجي و يک يا چند لايه مياني مي باشد . نحوه پردازش داده ها توسط شبکه براي ما قابل درک نيست وبه همين خاطر لايه هاي مياني را لايه هاي پنهان نيز مي گويند.
تکنيک هاي مدلسازي به وسيله شبکه هاي عصبي نتايج موفقيت آميزي در مسايل پيچيده اي مانند تقريب توابع پيچيده با هر دقتي ، تشخيص الگو و پيش فرايندهاي خطي داشته اند . از طرف ديگر بازار بورس و روند قيمت هاي سهام وتغييرات شاخص ها و به طور کلي مسايل اقتصادي داراي يک سري روابط غير خطي هستند وشبکه هاي عصبي نيز توانايي هاي زيادي براي حل معادلات غير خطي دارند.
اين تحقيق برآن است تا شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران را با توجه به سري زماني آن در گذشته پيش بيني نمايد . در تکنيک سري زماني محققان سعي دارند از نحوه تسلسل شماره ها، فرايند ايجاد آنها را حدس بزنند، چنانچه اعداد سري مربوط از يک توزيع يکسان پيروي کنند يعني در طول زمان مستقل از يکديگر بوده واحتمال وقوع يکسان داشته باشند، هر استراتژي که انتخاب شود خوب است ولي اگر عددي احتمال وقوع بيشتري را نسبت به ساير اعداد داشته باشد استراتژي منتخب عدد مزبور را مدنظر قرار خواهد داد ( هندريکسون ، 1992) همچنين اگر احتمال وقوع عددي بستگي به تسلسل گذشته اعداد داشته باشد ، بالطبع استراتژي مناسب تري را مي توان طراحي نمود. بنابراين سري زماني ارقام، اطلاعاتي را پيرامون نتايج آتي فراهم ساخته وتصميمات بعدي را تحت تاثير قرار مي دهد .

اهميت موضوع
بورس آيينه تـمام نـماي وضـعيت اقتصادي يک کـشور است . بـورس اوراق بهادار از سويي مرکز جمع آوري پس اندازها و نقدينگي بخش خصوصي به منظور تامين مالي پروژه هاي سرمايه گذاري بلند مدت و از سوي ديگر محل رسمي و مطمئني است که دارندگان پس اندازهاي راکد مي توانند محل مناسب سرمايه گذاري را جستجو کرده و وجوه مازاد خود را براي سرمايه گذاري در شرکتها به کار اندازند و متناسب با ريسکي که محتمل مي شوند بازده خود را کسب کنند .
شوکهاي ناگهاني بازار وسقوط قـيمتها تـعداد زيادي از سـرمايـه گـذاران را از بازار خارج مي کند. تخصيص منـاسب منابع مالي در بازار سرمايه، خصوصاً بورس تـهران يکي از مـهمترين و اصلي ترين مشکلات روز است . تخصيص صحيح منابع نيازمند زمينه هاي مناسب سرمايه گذاري و وجود ابزار و تکنيک هاي تحليلي مناسب در بازار است که موجب افزايش اطمينان سرمايه گذاران و کارايي بازار نيز خواهد شد . رفتار سهام در بازار مانند اغلب پديده هاي طبيعي ، رفتاري غير خطي است . استفاده از روشهاي مختلف هوش مصنوعي در بازار سرمايه ، علاوه بر کارايي بيشتر بازار ، بازدهي بيشتر آن و تخصيص مناسب تر سرمايه ، باعث بالا رفتن سطح دانش و آگاهي نيز مي شود . شبکه هاي عصبي به عنوان يکي از سيـستم هاي هـوشـمند مي تواند روابط غـير خـطي بـين وروديـها و خروجـيها را بر اساس مجموعه داده هايي که به عنوان مجموعه آموزش به شبکه وارد مي شود فرا گرفته و آنها را شناسايي و به داده هاي مورد آزمون تعميم دهد .
معامله براساس شاخص هاي بازار سهام شهرت بي سابقه اي را در بازارهاي مالي مهم دنيا کسب کرده است. افزايش تنوع ابزارهاي مرتبط با شاخص مالي ، دامنه فرصتهاي سرمايه گذاري جهاني را براي سرمايه گذاران گسترش داده است .

دو دليل اصلي براي پيشرفت اين ابزارها وجود دارد ( چن ، ليونگ ودايوک ، 2002) اول، آنها ابزارهاي موثري را براي سرمايه گذاران به منظور محافظت از ريسک هاي بالقوه بازار فراهم مي آورند . دوم، فرصت هاي کسب سود جديدي را براي کساني که از موقعيت هاي زماني و مکاني بازار استفاده مي برند، ايجاد مي کنند . بنابراين پيش بيني بازار سهام از اهميت و کاربرد بسيار بالايي برخوردار است . از

پایان نامه
Previous Entries منابع پایان نامه ارشد با موضوع مصرف کنندگان، بانکداری اینترنتی، تجارت الکترونیک، رضایت مشتری Next Entries منابع پایان نامه ارشد درباره بورس اوراق بهادار، بورس اوراق بهادار تهران، مدل ARIMA، بازار کار