2-4-1- معرفي:43
2-4-2- کاربرد شبکه هاي عصبي44
2-4-3- تعريف پايه شبکه هاي عصبي44
2-4-4- ويژگي هاي شبکه عصبي46
2-5- تحليل تکنيکال59
2-5-1- مقدمه:59
2-5-2- انديکاتورهاي تحليل تکنيکال60
2-6- مرور پژوهش هاي مشابه63
2-6-1- کاربرد شبکه عصبي در پيش بيني قيمت سهام63
2-6-2- کاربرد شبکه عصبي در تعيين استراتژي مبادله سهام70
2-6-3- کاربرد داده کاوي در بازار سهام75

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

2-6-4- کاربرد شبکه عصبي و داده کاوي در پيش بيني قيمت سهام77
فصل سوم : روش تحقيق81
3-1- مقدمه82
3-2- جمع آوري داده ها85
3-3- پيش پردازش داده ها85
3-3-1- کاهش سطري داده ها86
3-3-2- ساخت اطلاعات مورد نياز88
3-3-3- انتخاب داده ها و کاهش ستوني93
3-4- طراحي شبکه عصبي براي پيش بيني قيمت سهم95
3-4-1- ساختار شبکه95
3-4-2- الگوريتم يادگيري97
3-4-3- توابع فعال سازي98
3-5- مدل هاي رقيب و معيارهاي سنجش98
3-6- جمع بندي98
فصل چهارم : نتايج عددي99
4-1- مقدمه100
4-2- جمع آوري داده ها و تشکيل پايگاه داده100
4-3- پيش پردازش داده ها101
4-3-1- کاهش سطري داده ها101
4-3-2- ساخت اطلاعات مورد نياز103
4-3-3- انتخاب داده ها و کاهش ستوني پايگاه داده109
4-4- طراحي شبکه عصبي115
4-5- اجراي شبکه عصبي و مقايسه نتايج116
4-6- جمع بندي121
فصل پنجم : نتيجه گيري122
5-1- مقدمه123
5-2- جمع بندي تحقيق123
5-3- نتايج و نوآوري هاي تحقيق124
5-4- پيشنهادات براي تحقيقات آتي125

فهرست جدول ها
جدول 2-1 : توابع فعالسازي نرون هاي مختلف در شبکه هاي عصبي49
جدول 4-2 : شرح انديکاتورهاي معروف تحليل تکنيکال61
جدول 4-2 : شرح انديکاتورهاي معروف تحليل تکنيکال : ادامه جدول62
جدول 3-1 : صنايع و شرکت هاي انتخاب شده جهت انجام پژوهش85
جدول 3-2 : انديکاتورهاي به کار رفته در پژوهش89
جدول 4-1 : تغييرات تعداد رکوردهاي پايگاه هاي ساخته شدن پس از حذف داده هاي مغشوش102
جدول 4-2 : تغييرات تعداد رکوردهاي پايگاه هاي ساخته شده، پس از حذف داده هاي پرت103
جدول 4-3 : سري هاي زماني ساخته شده توسط انديکاتورهاي تحليل تکنيکال104
جدول 4-4 : بهترين lag شرکت هاي حاضر در صنعت بانک و مؤسسات مالي با بانک پارسيان105
جدول 4-5 : بهترين lag شرکت هاي حاضر در صنعت شيميايي با صنايع شيميايي فارس106
جدول 4-5 : بهترين lag شرکت هاي حاضر در صنعت شيميايي با صنايع شيميايي فارس : ادامه جدول107
جدول 4-6 : بهترين lag شرکت هاي حاضر در صنعت فلزات اساسي با فولاد مبارکه اصفهان107
جدول 4-6 : بهترين lag شرکت هاي حاضر در صنعت فلزات اساسي با فولاد مبارکه اصفهان : ادامه جدول108
جدول 4-7 : تغييرات تعداد رکوردهاي پايگاه هاي ساخته شده، پس از حذف داده هاي مغشوش انديکاتورها109
جدول 4-8 : انديکاتورهاي انتخاب شده توسط روش رگرسيون پله اي براي ورود به شبکه عصبي110
جدول 4-9 : دسته بندي انديکاتورهاي مشابه111
جدول 4-10 : انديکاتورهاي انتخاب شده از دسته ها براي ورود به شبکه عصبي111
جدول 4-11 : داده هاي تخصيص داده شده به شبکه عصبي در هر پايگاه116
جدول 4-12 : مقايسه نتايج به دست آمده از شبکه عصبي و مدل هاي رقيب براي سهام بانک پارسيان120
جدول 4-13 : مقايسه نتايج به دست آمده از شبکه عصبي و مدل هاي رقيب براي سهام صنايع شيمياي فارس120
جدول 4-14 : مقايسه نتايج به دست آمده از شبکه عصبي و مدل هاي رقيب براي سهام فولاد مبارکه اصفهان121
فهرست شکل ها
شکل 1-1 : دسته بندي کلي تحليل هاي کاربردي در بازار سرمايه21
شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي45
شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند.45
شکل 2-4 : مدل يک نرون خطي و غيرخطي(خطي يا غير خطي بودن به نوع تابع فعال ساز بستگي دارد)47
شکل2-5 : نحوه عملکرد باياس در خروجي ترکيب کننده خطي48
شکل 2-6 : توابع فعالسازي(الف) حدآستانه، (ب) خطي تکه‌اي، (ج) سيگموئيد تک قطبي، (د)گوسين، (ه) خطي (و) سيگموئيد دوقطبي50
شکل 2-7 : شبکه پيشرو با يک لايه فعال (خروجي)51
شکل 2-8 : شبکه عصبي پيشرو با يک لايه مخفي و يک لايه خروجي52
شکل 2-9 : شبکه عصبي بازگشتي بدون حلقه خودپسخور و نرون‌هاي مياني53
شکل 2-10 : شبکه بازگشتي با نرونهاي مخفيبا حجم حافظه بالاتر54
شکل 2-11 : يک شبکه عصبي با سه نرون و دولايه فعال56
شکل 3-1 : شماي کلي مراحل انجام تحقيق84
شکل 3-1 : شباهت سري هاي سفيد و سياه با در نظر گرفتن lag92
شکل 4-1 : قيمت هاي بسته شدن سهام بانک پارسيان و بانک کارآفرين113
شکل 4-2 : قيمت هاي بسته شدن سهام پتروشيمي خارک و صنايع شيميايي فارس114
شکل 4-3 : قيمت هاي بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان115
شکل 4-4 : شبکه عصبي ساخته شده توسط نرم افزار متلب116
شکل 4-5 : قيمت هاي پايين پيش بيني شده و واقعي براي سهام بانک پارسيان117
شکل 4-6 : قيمت هاي بالاي پيشش بيني شده و واقعي براي سهام بانک پارسيان117
شکل 4-7 : قيمت هاي پايين پيش بيني شده و واقعي براي سهام صنايع شيميايي فارس118
شکل 4-8 : قيمت هاي بالاي پيش بيني شده و واقعي براي سهام صنايع شيميايي فارس118
شکل 4-9 : قيمت هاي پايين پيش بيني شده و واقعي براي سهام فولاد مبارکه اصفهان119
شکل 4-10 : قيمت هاي بالاي پيش بيني شده و واقعي براي سهام فولاد مبارکه اصفهان119
فصل اول
کليات تحقيق
مقدمه
عدم قطعيت در بازار سرمايه به معناي تفاوت مقادير مورد انتظار و مقاديري است که در واقعيت اتفاق مي‌افتند. طراحي روش‌هاي تحليل و پيش‌بيني مختلف در بازار سرمايه نيز به دليل بالا بودن اين مقدار و نياز به دانستن قيمت‌ها در آينده با قطعيت بيشتر يا عدم قطعيت کمتر بوده است. براي کسب سود در بازار سرمايه، سرمايه‌گذاران همواره به دنبال پيدا کردن سهم مناسب جهت سرمايه‌گذاري و قيمت مناسب براي خريد و فروش بوده‌اند و لذا تمام مدل‌هاي پيش بيني مطرح شده همواره به دنبال پاسخ دادن به سه سؤال اساسي بوده‌اند؛ چه سهمي، در چه محدوده زماني و در چه قيمتي خريداري شود و يا به فروش برسد. قبل از بررسي پاسخ‌هاي داده شده به اين سؤالات، بايد به سؤال جدي‌تري پاسخ داد. از جمله اينکه آيا پيش بيني بازارهاي مالي ممکن است؟!
همچنين، در ادامه بايد به اين موضوع پرداخته شود که در صورت پيش بيني پذير بودن بازار سرمايه، بايد به بررسي ابعاد مختلف بازار سرمايه و متدهايي که در هر زمينه براي پيش بيني ارائه شده است، پرداخت. در ادامه بايد بررسي کرد که چه متدهايي کارايي لازم براي اين پيش‌بيني را دارند و آيا ترکيب اين متدها به صورت کلي ممکن است يا خير. در ادامه خواهيم ديد که مي‌توان ابزار به کار گرفته شده در پيش بيني تمام ابعاد بازار سرمايه را در سه دسته کلي متدهاي تکنيکال، متدهاي بنيادين و متدهاي رياضي، شامل متدهاي کلاسيک سري زماني و رگرسيون و متدهاي هوش مصنوعي قرار داد.
در اين پژوهش، با بررسي تمام موارد بالا و امکان سنجي تلفيق متدهاي به کارگرفته شده جهت پيش بيني قيمت، به سؤالات مطرح شده پاسخ داده خواهد شد و براي اولين بار، به پيش بيني دو قيمت براي دوره‌هاي جلوتر پرداخته مي شود؛ قيمت بالا و قيمت پايين سهام. به اين وسيله، سفته بازان1 مي‌توانند با به کارگيري اين متد، با دقت قابل قبولي به پيش‌بيني قيمت پرداخته و از طريق نوسان گيري، کسب سود کنند.
1-2- نظريه کارايي بازار سرمايه
قبل از (فاما2 1970)، همه فقط به دنبال پاسخ دادن به سؤالات سه گانه ذکر شده در بازار سرمايه بوده اند. با مطرح شدن نظريه کارايي بازار سرمايه فاما، سؤال بزرگ ديگري نيز پيش روي سرمايه‌گذاران و تحليل‌گران قرار گرفت؛ آيا اصلا تحليل و پيش بيني آينده بازار سهام ممکن است؟! فاما با طرح نظريه کارايي بازار سرمايه، بازار را متشکل از سرمايه گذاراني فرض کرد که همگي به اطلاعات يکساني از گذشته و حال دسترسي دارند. اطلاعات سياسي، اقتصادي، نهاني و … . در واقع براي باور کردن نظريه فاما حتي لازم نيست همه سرمايه گذاران به اطلاعات يکساني دسترسي داشته باشند، تنها لازم است تعداد زيادي از سرمايه گذاران به اين اطلاعات به صورت يکسان و مساوي دسترسي داشته باشند. زماني که اطلاعات در دسترس مساوي باشند، ابزارهاي تحليل و پيش بيني نيز يکسان باشند؛ هيچ سرمايه گذاري نمي‌تواند سود غير عادي کسب کند. براي مثال، اگر اولين نفري که اطلاعات نهاني دارد، قصد خريد يک سهم را بکند؛ در مدت زماني که در پي انجام اين امر است، فروشندگان از اين اطلاعات مطلع شده و سهم خود را گران‌تر از قبل مي‌فروشند. لذا فرصت کسب سود غير عادي وجود ندارد. تعريف دقيق و کامل بازار کاراي سرمايه نيز عبارت است از: بازاري که سرعت انتقال اطلاعات در آن بسيار زياد باشد. لذا فاما سه نوع از کارايي را تعريف مي‌کند، بازار کاراي ضعيف که سرعت انتقال اطلاعات در آن کم است ولي همچنان امکان کسب سود غيرعادي با استفاده از اطلاعات گذشته ممکن نيست. بازار کاراي متوسط که سرعت نقل اطلاعات در آن زياد است و امکان کسب سود غير عادي با استفاده از اطلاعات حال ممکن نيست. بازار کاراي قوي که سرعت انتقال اطلاعات در آن بسيار زياد بوده و حتي دارندگان اطلاعات نهاني نيز فرصت کسب سود غير عادي ندارند. در نهايت فاما نتيجه مي‌گيرد که نوسان قيمت در بازار تصادفي بوده و امکان پيش‌بيني آن موجود نيست.
پس از مطرح شدن نظريه کارايي بازار سرمايه، سرمايه گذاران بازار سرمايه به دو دسته تقسيم شدند. دسته‌اي که به کارايي بازار اعتقاد داشتند، به سرمايه گذاري هاي بلند مدت روي آوردند، دليل اين امر اين بود که اين دسته امکان کسب سود از طريق پيش بيني بازار را منتفي دانسته و لذا فرصتي براي کسب سود غير عادي از طريق خريد و فروش کوتاه مدت وجود ندارد. دسته ديگر سرمايه گذاران به اين نظريه اعتقاد ندارند و به آن انتقادهايي دارند. اين دسته به پيش بيني بازار سرمايه اعتقاد داشته و لذا از مدل‌هاي مختلفي براي اين پيش‌بيني‌ها استفاده کرده‌اند. اين دسته، علاوه بر سرمايه گذاري‌هاي بلند مدت، به سرمايه گذاري‌هاي کوتاه مدت و ميان مدت نيز پرداخته و از طريق خريد و فروش‌هاي پيوسته، تلاش در کسب سود غير عادي مي‌کنند.
از جمله انتقادهايي که به نظريه کارايي بازار سرمايه وارد است، مي‌توان به قواعد مشهور بازار سرمايه اشاره کرد. از جمله اين قواعد مي‌توان به پايين آمدن قيمت‌ها به صورت عمومي در پايان هفته‌ها اشاره کرد؛ دليل اين امر اين است که در روزهاي تعطيل ممکن است اتفاقات ناخوشايندي رخ دهد که باعث افت شديد قيمت‌ها در ابتداي هفته بعد منجر شود. قاعده ديگر پايين آمدن قيمت‌ها در انتهاي سال است. به صورت عمومي بازدهي سهامي که P/E بالاتري دارند، بالاتر است. اين قواعد که به صورت عرف بازار درآمده‌اند از جمله نقدهايي است که سرمايه گذاران به نظريه کارايي بازار سرمايه که پيش بيني را غيرممکن مي‌داند وارد مي‌دانند.
انتقاد ديگر سرمايه گذاران، اين است که روندهاي فصلي، دوره‌اي و خطي و غيرخطي از طريق مدل‌هاي اقتصادسنجي و سري زماني کاملا قابل شناسايي و مشهود است. از نظر تجربي، بسياري از سرمايه گذاران با استفاده از تحليل‌هاي تکنيکال و بنيادين به کسب سود مي‌پردازند. (پوا3 2008) در مقاله‌اي به بررسي روندهاي موجود در بازار سرمايه پرداخته و اظهار مي‌دارد که از نقطه نظر عملي اين نظريه صحيح نبوده و نظريه کارايي بازار سرمايه، در يک بازار کاملا ايده آل صحت دارد. لذا با توجه به انتقادهاي ذکر شده و فرصت‌هاي عملي درک شده در بازار توسط سرمايه گذاران، در اين مقاله فرض پيش بيني پذير بودن بازار سرمايه مورد قبول قرار گرفته و به اولين سؤال مطرح شده به اين صورت پاسخ مي‌دهيم.
1-3- ابعاد مختلف بازار سرمايه و ابزارهاي پيش بيني
حال که به پيش بيني پذير بودن بازار اعتقاد پيدا مي‌کنيم، زمان پاسخ دادن به سؤالات سه گانه مطرح شده مي‌رسد، چه سهمي، چه محدوده زماني و چه قيمتي. براي پاسخ دادن به اين سؤال از مدل‌هاي بسيار متنوعي استفاده شده است. مدل‌هاي که به پيش بيني سهم مورد نظر مي‌پردازند عموما با استفاده از تحليل‌هاي بنيادين و روش‌هاي کلاسيک پيش بيني مثل اقتصاد سنجي و سري زماني مورد بررسي قرار مي‌گيرند. مدل‌هايي که به محدوده زماني مي‌پردازند، در پي يافتن استراتژي خاصي براي معاملات هستند و از مدل‌هاي تحليل و پيش بيني تکنيکال يا مدل‌هاي توسعه يافته هوش مصنوعي بهره مي‌برند. در پاسخ به سؤال چه قيمتي، دسته بسيار بزرگي از مدل‌ها به کار مي‌آيند. مدل‌هاي کلاسيک، تحليل‌هاي بنيادي، تحليل‌هاي تکنيکي و الگوريتم‌هاي هوش مصنوعي. در اين مقاله ما به طور دقيق در پي پاسخ به سؤال سوم، يعني پيش بيني قيمت هستيم، بيشترين گوناگوني در حوزه پيش بيني نيز در اين حوزه است. در ادامه به اختصار به توضيح کوتاهي از انواع مدل‌هاي پيش بيني و دليل انتخاب شبکه هاي عصبي به عنوان مدل منتخب مي‌پرازيم.
مدل‌هاي پيش‌بيني قيمت سهام را مي‌توان به صورت کلي در سه دسته جاي داد، تحليل‌هاي تکنيکال، تحليل‌هاي بنيادين و تحليل‌هاي با استفاده از الگوريتم‌هاي هوش مصنوعي. تحليل تکنيکال با مطالعه روند تغييرات گذشته قيمت سهام و با اين پيش فرض که اتفاقات گذشته در آينده تکرار مي‌شود به پيش‌بيني مي‌پردازد. در واقع چارتيست‌ها يا همان تکنيکال کاران اعتقاد دارند که تنها چيزي که قيمت سهام را تغيير مي‌دهد ميزان تقاضا و عرضه در بازار است. در واقع اين دسته اعتقاد دارند که قيمت سهام تحت تأثير هر عامل ديگر بنيادين اقتصادي که تغيير کنند، اين عوامل تنها روي عرضه و تقاضا در بازار تأثير دارند و لذا با پيش بيني اين مقادير مي‌توان قيمت‌ها را نيز پيش بيني کرد. دو مدل کلي به کار گرفته شده توسط اين دسته عبارتند از تطابق الگوها و استفاده از انديکاتورها؛ الگوها در واقع روند‌هاي تغيير قيمت در گذشته هستند که با توجه به اعتقاد به تکرار شدن آنها در آينده مي‌توان از انطباق آنها براي پيش بيني آينده استفاده کرد. انديکاتورها نيز مدل‌هاي رياضي هستند که با استفاده از شاخص‌هاي قيمتي مثل قيمت باز و بسته شدن و حجم مبادلات انجام شده، عرضه و تقاضا و در نهايت قيمت را پيش‌بيني مي‌نمايند.
تحليل بنيادين با شناسايي عوامل مؤثر بر قيمت سهام و تحليل تأثير هر کدام به پيش‌بيني قيمت مي‌پردازد. فاندامنتال کاران يا همان استفاده‌کنندگان از تحليل بنيادين اعتقاد دارند که عوامل بسيار زيادي در قيمت سهام تأثير دارند. قيمت‌هاي جهاني محصولاتي که کمپاني‌ها توليد مي‌کنند، قيمت مواد اوليه مورد نياز آنها و ساير عوامل سياسي و اقتصادي تأثيرگذار در فروش و سود کمپاني از جمله اين عوامل هستند. به طور کلي تحليل‌هايي که در اين حوزه صورت مي‌گيرند عبارتند از تحليل صورت‌هاي مالي که به دو صورت افقي (مقايسه صورت‌هاي مالي در طي ساليان مختلف و تحليل تغييرات آنها) و عمودي (تحليل عناصر موجود در صورت مالي و مقايسه آنها و بررسي نسبت‌هاي مالي) و همچنين مدل‌هاي کلاسيک پيش‌بيني نظير رگرسيون (پيدا کردن رابطه ميان قيمت سهام و متغيرهايي که تعريف مي‌گردند) و سري زماني (شناخت سيکل‌ها و روندهاي موجود در قيمت سهام).
الگوريتم‌هاي هوش مصنوعي که استفاده از آنها به سرعت در حال رشد ميان سرمايه گذاران است در واقع تلفيقي از تمام روش‌هاي پيش بيني ذکر شده با توانايي برازش منحني‌هاي غيرخطي با درجه بالا است. اين الگوريتم ها قابليت کار با تعداد زيادي از متغيرها و پيدا کردن رابطه مناسب ميان اين متغيرها را دارند. آنگونه که ذکر شد، عوامل تأثير گذار در قيمت سهام بسيار زياد هستند و مدل‌هاي کلاسيک و تحليل‌هاي قديمي و تجربي پاسخگوي اين تعداد عوامل نيستند. براي پيش بيني‌هاي کوتاه مدت عموما از مدل‌هاي کلاسيک سري زماني و تحليل تکنيکال استفاده مي‌شود، هر کدام از اين دو، تعداد زيادي الگوريتم ديگر را شامل مي‌شوند که کار جمع بندي و نتيجه گيري را دشوار مي‌کند. الگوريتم‌هاي هوش مصنوعي اين قدرت را دارند که تمام اين تحليل‌ها را با يکديگر به وسيله وزن دهي‌هاي بهينه ترکيب کرده و يک جواب يکتا و بهينه را ارائه دهد.
از ميان الگوريتم‌هاي هوش مصنوعي، استفاده از شبکه‌هاي عصبي در مبحث پيش بيني بسيار زياد است. اين امر به دليل قابليت شبکه عصبي در کار با تعداد زيادي متغير، برازش بسيار دقيقي از سري زماني، تحت تأثير داده‌هاي پرت قرار نگرفتن، عدم محدوديت براي درجه خاصي از غير‌خطي بودن و انعطاف پذير بودن شبکه در مقابل تغييرات پارامترهاي مدل مي‌باشد. از جمله اقبالي که به اين مدل‌ها شده است مي‌توان به تاوارس و همکاران4 (2010)، فاريا و همکاران5 (2009)، تساي و چيو6 (2009) و کارا و همکاران7 (2011) اشاره کرد که در تحقيقات خود، شبکه‌هاي عصبي را از مدل‌هاي کلاسيک و ديگر الگوريتم‌هاي هوش مصنوعي برتر مي‌دانند. اوليويرا و همکاران8 (2013) در بررسي جامعي که روي بازار بورس برزيل انجام دادند، به اين نتيجه رسيدند که شبکه عصبي از ماشين‌هاي بردار پشتيبان (SVM) و سري زماني در امر پيش بيني قيمت کارا هستند.
با توجه به دلايل ذکر شده و نتايج گرفته شده در ساير تحقيقات که قسمتي از آنها ذکر شد، در اين مقاله، ما نيز شبکه‌هاي عصبي را جهت پيش بيني قيمت سهام انتخاب مي‌کنيم. نکته مهم در استفاده از شبکه‌هاي عصبي اين است که اين شبکه ها در ابتدا با استفاده از 75 درصد داده ها (به صورت عمومي) وارد فرآيند يادگيري مي‌شوند. در اين مرحله به دليل قابليت بالاي شبکه عصبي جهت برازش منحني‌هاي پيچيده، ممکن است شبکه مدل را پيچيده‌تر از آني که هست شناسايي کند. اين امر باعث مي‌شود که مقادير پيش‌بيني به مقادير واقعي نزديک‌تر شوند و تخمين دقيق‌تري در مرحله آموزش صورت گيرد. نکته در اينجاست که حدي از تغييرات و اختلاف ميان مقادير پيش بيني و واقعي به خاطر تصادفي بودن اين تغييرات است. در تمام مدل‌هاي پيش‌بيني اين جزء تصادفي وجود دارد ولي شبکه‌هاي عصبي براي تخمين اين مقادير، از تعداد متغيرهاي زيادتري استفاده مي‌کنند در حالي که اين مقادير تصادفي بوده و پيش بيني پذير نيستند. اين خاصيت که به آن بيش برازش مي‌گويند بزرگترين مشکل شبکه‌هاي عصبي مي‌باشد.
براي از بين بردن اين بيش برازش، بايد ورودي‌هاي شبکه عصبي را کاهش داد. به عبارتي بايد اجازه بيش برازش را به شبکه‌هاي عصبي نداد. در اين مقاله براي اين کاهش تعداد متغيرها از داده کاوي استفاده شده است. داده کاوي علم کاوش داده‌ها جهت کشف دانش است. علم داده کاوي با ارائه راهکارهاي مختلف، اولين رکن استفاده از داده‌ها جهت کشف دانش را حذف داده‌هاي اضافي و شاخ و برگ‌هاي غير ضروري مي‌داند و لذا در اين مقاله از چند تکنيک داده کاوي که در ادامه شرح داده خواهد شد استفاده گرديده است. همچنين، همانگونه که ذکر شد، مدل‌هايي که براي پيش بيني‌هاي کوتاه مدت مورد استفاده قرار مي‌گيرند، مدل ‌هاي سري زماني و تحليل‌هاي تکنيکال مي‌باشند. از آنجا که ما قصد پيش بيني قيمت بسته شدن سهام را به صورت روزانه داريم نيز، با تلفيق اين دو مدل، با استفاده از انديکاتورهاي تحليل تکنيکال و قيمت‌هاي روزهاي قبل به پيش بيني مي‌پردازيم.
قسمت دوم اين مقاله به تحقيقات مشابه، قسمت سوم به تعريف فرآيند و روش انجام تحقيق، قسمت چهارم به نتايج تحقيق، قسمت پنجم نتيجه گيري و قسمت ششم به منابع تخصيص يافته است.
1-4- پژوهش‌هاي مشابه
لو و همکاران9 (2014) پس از بررسي دلايل بيش برازش10 و تعميم نامناسب شبکه‌هاي عصبي11، با اعمال تغييراتي در شبکه عصبي و به کار بردن کلاسي از تأخير سازنده RBF12 شبکه‌هاي عصبي؛ موفق شده است که شبکه عصبي با دقت بيشتر و البته تعداد نرون هاي13 کمتر در لايه پنهان14 شبکه عصبي ساخته و نتايج آن را در دنياي واقعي امتحان کرده است.
لاهميري15 (2013) با به کاربردن تبديلات گسسته ويولت (SWT)16 و تقسيم سري زماني17 قيمتي به دو بخش ماژور18 و مينور19، نتيجه مي‌گيرد که بخش ماژور در واقع داراي فراواني و پراکندگي پايين تري بوده و براي پيش بيني روند بلند مدت قيمت سهام مناسب است. وي پس از تبديلات مذکور، با استفاده از شبکه‌هاي عصبي بازخور برگشتي20، به پيش بيني قيمت سهام پرداخته و با بررسي تئوري خود در 15 پايگاه داده21، نتيجه مي‌گيرد که الگوريتم پيشنهادي وي از مدلهاي ARMA 22و RW23 عملکرد بهتري دارد.
تيکنور24 (2013) با در نظر گرفتن قيمت‌هاي روزانه و انديکاتورهاي25 تحليل تکنيکال26 به عنوان ورودي شبکه عصبي، قيمت بسته شدن27 روز بعد را پيش بيني مي‌کند. وي با بيان پيچيدگي‌هاي موجود در روند28 تغييرات قيمت سهام و مشکلات پيش بيني آن، براي جلوگيري از بيش برازش و بيش آموزش29 پيشنهاد مي‌کند که شبکه عصبي توسط الگوريتم بيزين30 کنترل شده31 و براي مدل‌هاي با پيچيدگي بالا جريمه هايي32 تعيين گردد تا از بيش برازش و بيش آموزش جلوگيري شود. وي صحت ادعاي خود را در سهام‌هاي مايکروسافت33 و گلدمن34 به بوته آزمايش مي‌گذارد.

بيسون35 (2014) با بيان اين مسئله که سرمايه گذاري در بازار سهام، به دليل بازده خوب آن همواره مورد توجه سرمايه گذاران بوده است؛ کسب بازده و سود مناسب در اين بازار را منوط به دانستن و پيش بيني کردن نقاط بازگشت36 قيمت مي‌دانند. لذا پيش بيني قيمت سهام در روزهاي آينده را مهمترين امر در راه رسيدن به اين مهم مي داند. وي با استفاده از فيلتر کلمن37، داده ها را پيش پردازش کرده و با شبکه‌هاي عصبي ديناميک38 به پيش بيني قيمت مي پردازد. وي براي اثبات کارايي مدل پيشنهادي، چهار سهم از بازار سهام هند؛ بمبئي39 را انتخاب و بررسي کرده است.
اليويرا40 (2013) با مهم دانستن اين مسئله که پيش بيني جهت تغيير قيمت سهام سهم به سزايي در تنظيم سياست‌هاي41 معامله گران دارد، پيشنهاد مي‌کند که با استفاده از داده‌هاي تاريخي42 در مدل‌هاي رياضي43 مي‌توان به صحت و دقت خوبي در پيش بيني رسيد. وي با بيان اين مسئله که سه نوع تحليل سري زماني، تکنيکال و فاندمنتال44 براي تحليل داده هاي تاريخي به کار گرفته مي شوند، شبکه عصبي طراحي مي‌کند که داده‌هاي ورودي آن، از ورودي هاي هر سه تحليل ذکر شده مي‌باشد. در واقع وي هر سه تحليل را با هم يکي کرده و از قابليت هاي هر کدام استفاده مي‌کند. همچنين پيشنهاد مي‌کند که استفاده محض از تمام داده‌ها باعث بيش برازش و پايين آمدن دقت شبکه مي‌شود و لذا با استفاده از تکنيک هاي متعدد داده کاوي، داده ها را پيش پردازش45 مي‌کند. وي صحت گفته‌هاي خود را در بازار سهام برزيل تأييد مي‌کند.
کارا و همکاران46 (2011) با بيان اين مسئله که پيش بيني جهت تغييرات قيمت سهام امري چالش برانگيز47 و در صورت صحت بسيار پر سود است، بسط مدل‌هاي رياضي براي اين مهم را به دليل پيچيدگي‌هاي ذاتي بازار سهام بسيار مشکل مي‌داند. وي با استفاده از انديکاتورهاي تحليل تکنيکال به عنوان ورودي، کارکرد و نتايج عملکرد دو الگوريتم دسته بندي شبکه هاي عصبي و ماشين هاي بردار پشتيبان48 را بررسي کرده و با مقايسه نتايج، کارکرد شبکه هاي عصبي را بهتر و مفيد تر مي‌يابد.
جاسمي و همکاران49 (2011) شبکه‌هاي عصبي را به همراه تحليل تکنيکال و نمودارهاي شمعي ژاپني50 به کار مي برد، وي در پژوهشي به جاي اينکه با شبکه‌هاي عصبي قيمت و يا انديکاتورها را پيش بيني کند، در صدد پيش بيني و برازش يک مدل رگرسيون51 مي‌باشد که متغيرهاي مستقل آن، انديکاتورهاي تکنيکي و متغير مستقل آن روند کوتاه مدت قيمت است. انديکاتورهاي تکنيکي توسط دو روش داده‌هاي خام52 و تحليل تکنيکال به ترتيب به تعداد پانزده و بيست و چهار عدد تعريف شده‌اند. در نهايت با آزمايش بر روي داده‌هاي حاضر در ياهو فايننس53 به اين نتيجه مي‌رسد که نتايج پيش بيني به اين روش بسيار کارآمدتر از متدهاي کلاسيک است.
چانگ54 (2012) با ارائه مدل جديدي از شبکه‌هاي عصبي تحت عنوان شبکه عصبي نيمه متصل55 به پيش بيني قيمت سهام به وسيله انديکاتورهاي تکنيکال مي‌پردازد. اين شبکه جديد، از نظر تابع فعال سازي56، تعداد لايه‌ها و اتصال نرون‌ها با شبکه هاي عصبي معمول تفاوت دارد. نخست اينکه اتصال داشتن يا نداشتن دو نرون با هم تصادفي تعيين مي‌گردد. تفاوت دوم در تصادفي بودن تعداد لايه ها نيز مي‌باشد و سرانجام تابع فعال سازي نيز به جاي سيگمويد57، تابع سينوسي58 انتخاب مي‌گردد. وي براي اثبات کارآمدي الگوريتم پيشنهادي، آن را از سه نظر امتحان مي‌کند. اوّل دقت پيش بيني آن را يعني تفاوت مقادير پيش بيني شده و مقادير واقعي سنجيده، سپس از نظر بيش برازش با مدل‌هاي معمولي شبکه عصبي مقايسه کرده و در نهايت عملکرد آن را با ساير الگوريتم‌هاي رقيب مقايسه کرده است.
لو59 (2010) با اين مقدمه که پيش بيني قيمت سهام و اساسا پيش بيني در تمام بازارهاي مالي کاري سخت و چالش برانگيز است، استدلال مي‌کند که اين امر به دليل وجود اغتشاش60 فراوان در ميان داده‌هاي پيش بيني کننده است. وي پيشنهاد مي‌کند که با به کار بردن آناليز متغير مستقل يکپارچه61؛ در ابتدا بايد در ميان داده‌هاي پيش بيني کننده آنهايي که مستقل هستند را يافته، اغتشاش موجود در آنها را از بين برده و پس از آن ورودي ها را به منظور پيش بيني قيمت به شبکه عصبي داد. وي براي اثبات مدعاي خود دو شاخص بازار بورس تايلند62 و نيکي63 را انتخاب کرده و با مقايسه عملکرد الگوريتم پيشنهادي با اغتشاش زدايي توسط امواج ويولت و سپس به کار بردن شبکه‌هاي عصبي بازخور بازگشتي و همچنين با شبکه‌هاي عصبي معمولي بدون فيلترينگ و همچنين قدم زدن تصادفي؛ الگوريتم پيشنهادي را کارا مي‌يابد.
وانگ و همکاران64 (2011) نيز اظهار مي‌دارد که پيش بيني قيمت سهام به دليل بالا بودن تعداد متغيرهاي مستقل امري مشکل و چالشي است. وي پيشنهاد مي‌کند در ابتدا توسط الگوريتم65 WDBP با استفاده از ويولت اغتشاشات موجود ميان داده ها از بين رفته و توسط شبکه‌هاي عصبي پس خور بازگشتي، پيش بيني انجام گيرد. همچنين براي اثبات الگوريتم پيشنهادي خود، آن را در بازار شانگهاي66 به بوته آزمايش گذاشته و عملکرد بهتر الگوريتم پيشنهادي را نسبت به شبکه عصبي پس خور بازگشتي تصديق مي‌نمايد.
1-5- ضرورت انجام تحقيق و اهميت تحقيق
همانگونه که پيش‌تر و در ادبيات موضوعي ديده شد، پيش بيني قيمت بالا و قيمت پايين براي يک دوره جلوتر، پيش از اين انجام نشده است و خلاء وجود مدلي براي پيش بيني که به طور عملي قابل استفاده باشد، احساس مي شود. پيش از اين، در پژوهش هاي مشابه، تنها قيمت بسته شدن پيش بيني مي شده است و اين در حالي است که پيش بيني کننده سهم، ممکن است مالک سهام نباشد. در اين حالت، پيش بيني کننده توانايي عملي براي استفاده از مدل را ندارد. دليل اين امر اين است که وي احتمالا مجبور است، سهام را با همان قيمتي که پيش بيني مي کند، خريداري کند. لذا در اين پژوهش، به پيش بيني دو قيمت بالا و پايين پرداخته شده و توسط آن، پيش بيني کننده اين فرصت را دارد که در قيمت پايين سهام را خريداري کرده و در قيمت بالا آن را بفروشد.
1-6- اهداف تحقيق
اهداف اصلي اين پژوهش عبارتند از :
شناسايي مؤثرترين انديکاتورهاي تحليل تکنيکال براي پيش بيني قيمت سهام مورد نظر
داده کاوي سري هاي زماني براي تشخيص شبيه ترين سري زماني به سري زماني هدف، جهت پيش‌بيني تغييرات آينده سهام هدف، با استفاده از تغييرات گذشته قيمت سهم مشابه
طراحي و ساخت شبکه عصبي براي پيش بيني قيمت‌هاي بالا و پايين سهام مورد نظر
1-7- ساختار تحقيق
در ادامه اين پژوهش و در فصل دوم، به معرفي شبکه هاي عصبي و انواع آن، داده کاوي و نقش آن در پيش پردازش داده ها و داده کاوي سري‌هاي زماني و انديکاتورهاي تحليل تکنيکال مي‌پردازيم. در فصل سوم به بيان روش تحقيق انجام شده با جزئيات کامل، شامل مراحل سه گانه پيش پردازش و ساخت اطلاعات و ابزارهاي به کارگرفته شده در هر مرحله، معماري شبکه عصبي و الگوريتم‌هاي فعال سازي و همچنين الگوريتم‌هاي رقيب خواهيم پرداخت. در فصل چهارم، نتايج عملي به دست آمده از داده کاوي سري‌هاي زماني و ساخت شبکه عصبي، به تفصيل توضيح داده مي‌شود و نتايج به دست آمده، با نتايج الگوريتم‌هاي رقيب مقايسه مي گردد. در انتها و در فصل پنجم، به بررسي نتايج و پيشنهادات براي تحقيقات آتي خواهيم پرداخت
فصل دوم
ادبيات تحقيق
2-1- مقدمه
بازارهاي مالي به دليل خصوصيات منحصر به فردي نظير عدم نياز به سرمايه کلان، سادگي و کم هزينه بودن معاملاتشان و عدم وجود ريسک نکول1، در عصر اخير به يکي از پرطرفدارترين حوزه‌هاي سرمايه گذاري تبديل شده‌اند. حکومت‌ها و دولت‌ها نيز به اين دليل که مي‌توانند با گرد هم آوردن سرمايه‌هاي اندک و سرمايه هاي کلان، بودجه‌هاي عظيمي براي امور کشوري فراهم کنند، همواره به گسترش اين بازارها کمک کرده و با تصويب قوانين متعددي از جمله معافيت‌هاي مالياتي در تلاش براي کشاندن پس اندازهاي مردم به اين بازارها بوده اند. به دليل همين خصوصيات، حجم عظيمي از سرمايه گذاران به اين حوزه وارد شده و اين بازارها با سرعت چشمگيري نيز در حال رشد هستند. اين حجم زياد سرمايه گذاران، براي کسب سود از اين بازارها وارد آن شده و لذا همواره به دنبال راه‌هايي براي افزايش دامنه سود خود بوده اند. اين مسئله باعث شده است که سرمايه گذاران همواره به دنبال پيش بيني اتفاقات آينده و قيمت ها در بازار بوده و از اين طريق کسب سود کنند؛ به همين دليل است که همزمان با رشد اين بازارها، مدل هاي بسيار متنوعي براي پيش بيني بوجود آمده و در حال گسترش نيز هستند. به طور کلي شايد بتوان سرمايه گذاران را به دو دسته تقسيم کرد، آنها که به مدل کارايي بازار سرمايه اعتقاد داشته و به پيش بيني اين بازارها معتقد نيستند؛ و آنهايي که به روشهاي مختلفي به پيش بيني در اين بازارها مي پردازند. در مورد نظريه کارايي بازار در ادامه به تفسير سخن گفته خواهد شد و لذا در ادامه به مرور روشهاي متنوعي که براي پيش بيني قيمت سهام بوجود آمده و به کار گرفته شده اند خواهيم پرداخت. به صورت کلي مي‌توان گفت که تلاش براي پيش بيني بازارهاي مالي در سه حوزه اتفاق افتاده است، حوزه اول به بررسي ساختار بازار، سهام موجود در آن و صنايع پرداخته و با شناسايي ويژگي هاي خاص اين بازارها به تشخيص و معرفي صنايع و يا سهام برتر پرداخته و سرمايه گذاران را از اين طريق ياري مي‌کنند. حوزه دوم به ايجاد يک مدل براي استراتژي‌هاي سرمايه گذاري پرداخته و سعي دارند با شناسايي نقاط خريد و فروش سهام، کاري کنند که سرمايه گذاران در کمترين قيمت خريد و در بيشترين قيمت اقدام به فروش نمايند. حوزه سوم اما به پيش بيني قيمت سهام مي‌پردازند، جايي که بيشترين گستردگي استفاده از الگوريتم‌ها و مدل‌هاي مختلف در آن وجود دارد. اين حوزه را مي‌توان به صورت کلي در سه بخش يا سه ديدگاه ديد؛ تحليل تکنيکال2، تحليل بنيادين3 و تحليل با مدل‌هاي هوش مصنوعي4. در ادامه به توضيح مختصري در مورد هر يک از اين ديدگاه ها خواهيم پرداخت.
2-1-1- تحليل تکنيکي
روشي براي پيش‌بيني قيمت‌ها در بازار از طريق مطالعه وضعيت گذشته بازار است. در اين تحليل از طريق بررسي تغييرات و نوسان‌هاي قيمت‌ها و حجم معاملات و عرضه و تقاضا مي‌توان وضعيت قيمت‌ها در آينده را پيش‌بيني کرد. اين روش تحليل در بازار ارزهاي خارجي، بازارهاي بورس اوراق بهادار و بازار طلا و ديگر فلزات گران‌بها کاربرد گسترده‌اي دارد.


دیدگاهتان را بنویسید