پیشینه تحقیق تحقیقات مدلهای پیش بینی قیمت سهم و تکنیکهای رایج تحلیل و پیش بینی قیمت سهام و تحلیل داده ها دارای ۴۰ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
فهرست مطالب
۲-۱ مدلهای پیش بینی قیمت سهم در تحقیقات پیشین ۴
۲-۲ انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشین ۱۱
۳-۱ بازار بورس اوراق بهادار ۱۴
۳-۲ تکنیکهای رایج تحلیل و پیش بینی قیمت سهام ۱۵
۳-۳ تکنیکهای نوین تحلیل داده ها ۱۶
۳-۳-۱ داده کاوی ۱۷
۳-۳-۲ شبکه عصبی مصنوعی ۲۳
۳-۳-۳ الگوریتمهای تکاملی ۲۷
۳-۳-۳-۱ الگوریتم ژنتیک ۲۹
۳-۳-۳-۲ الگوریتم بهینه سازی ازدحام ذرات ۳۲
۳-۳-۳-۳ الگوریتم رقابت استعماری ۳۴
فهرست منابع ۳۹
منابع
| [۱] Wu Ming-Tao, Econ Coll, “The research on stock price forecast model based on data mining of BP neural networks,” in Intelligent System Design and Engineering Applications (ISDEA), 2013. |
| [۲] مسعود فرکی، محمدحسین سرائی، شهرام کیخانی, “یک مورد کاوی موردی پارامترهای مدل پیش بینی قیمت سهام با استفاده از الگوریتم انتشار بازگشتی,” در اولین کنفرانس داده کاوی ایران, ۱۳۸۶٫ |
| [۳] پیام حنفی زاده، ابوالفضل جعفری, “مدل ترکیبی شبکه عصبی مصنوعی پیشخور و خودسازمانده کوهونن برای پیش بینی قیمت سهام,” مطالعات مدیریت صنعتی, جلد شماره ۱۹, شماره سال هشتم, ۱۳۸۹٫ |
| [۴] Debashish Das, Mohammad Shorif Uddin, “Data mining and neural network techniques in stock market prediction: A methodological review,” International journal of artificial intelligence and application, vol. 4, no. 1, pp. p117-127, Jan 2013. |
| [۵] Jianfeng Li, Jun Zhai, Junfeng Guo, “Relative value mining in stock market based on fuzzy clustering method,” CCA2013, vol. ASTL Vol 17, pp. p 112-115, 2013. |
| [۶] رضا حافظی، جمال شهرابی، اسماعیل هداوندی, “توسعه ی مدلی ترکیبی هوشمند برای پیش بینی بازار سهام تهران,” مجله تحقیق در عملیات و کاربردهای آن, جلد شماره دوم, شماره سال دهم, ۱۳۹۲٫ |
| [۷] M.H.Fazel Zarandi, E.Hadavandi, I.B.Turksen, “A hybrid fuzzy intelligent agent-based system for stock price prediction,” International journal of intelligent system, vol. 00, pp. p 1-23, 2012. |
| [۸] Dyckman, T., Philbrick, D., Stephan, J., “A comparison of event study methodologies using daily stock returns: A simulation approach,” Journal of Accounting Research, pp. p 1-30, 1984. |
| [۹] Malkiel, Burton G., and Richard E. Quandt, “The supply of money and common stock prices: Comment,” The Journal of Finance, pp. p 921-926., 1972. |
| [۱۰] Kaastra, I., & Boyd, M., “Designing a neural network for forecasting financial and economic time series,” Neurocomputing, pp. p 215-236., 1996. |
| [۱۱] Rezaiedolatabadi, H., Sayadi, S., Hosseini, A., Forghani, M., & Shokhmgar, M., “Modeling and Forecasting Stock Prices Using an Artificial Neural Network and Imperialist Competitive Algorithm,” International Journal of Academic Research in Accounting, pp. p 296-3-2, 2013. |
| [۱۲] محمود یحیی زاده فر، اسماعیل ابو نوری، هومن شبابی, “بررسی اثر روزهای هفته بر بازده سهام بورس اوراق بهادار تهران و مقایسه ی آن با سایر بازارهای نوظهور,” مجله علوم اجتماعی و انسانی دانشگاه شیراز, شماره شماره ۴۳, p. صفحه ۱۶۹ تا ۱۹۵, ۱۳۸۴٫ |
| [۱۳] رضا راعی، سعید شیرزادی, “بی قاعدگی های تقویمی و غیر تقویمی در بازارهای مالی,” فصلنامه بورس اوراق بهادار, جلد شماره ۱, شماره سال اول, p. صفحه ۱۰۱ تا ۱۳۲, ۱۳۸۷٫ |
| [۱۴] محسن نظری، الهام فرزانگان, “بی قاعدگی های دوره ای در بازدهی سهام عادی بورس اوراق بهادار,” نشریه تحقیقات مالی, جلد شماره ۳۱, p. صفحه ۱۴۷ تا ۱۶۷, ۱۳۹۰٫ |
| [۱۵] فاطمه بزازان، شمس ا… شیرین بخش ماسوله، سولماز صفری, “بررسی اثرات روزهای هقته بر بازده سهام رویکرد رگرسیون فازی گارچ بوت استرپ,” فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار, شماره شماره ۱۳, p. صفحه ۹۹ تا ۱۱۰, ۱۳۹۱٫ |
| [۱۶] شمس ا… شیرین بخش ماسوله، سولماز صفری, “بررسی اثرات روزهای هفته بر بازده سهام – الگوریتم رگرسیون حداقل میانگین مربعات (LSM),” مجله مهندسی مالی و مدیریت اوراق بهادار, شماره شماره ۱۷, p. صفحه ۴۵ تا ۵۹, ۱۳۹۲٫ |
| [۱۷] جمال شهرابی, داده کاوی, تهران: انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر, ۱۳۹۲٫ |
| [۱۸] Hagan, M. T., Demuth, H. B., Beale, M. H., Neural Network Design, Boston: Pws Pub., 1996. |
۲-۱ مدلهای پیش بینی قیمت سهم در تحقیقات پیشین
محققان بسیاری سعی نموده اند تا با به کارگیری روشهای گوناگون پیش بینی به نتایج قابل قبولی در پیش بینی قیمت سهام در بازارهای پول و سرمایه دست یابند. سیر تحقیقات نشان دهنده آن است که از مدلهای ساده و تک بعدی ابتدایی، روشها به سمت مدلهای روشهای زمانی، مدلهای بهینه سازی کلاسیک، روشهای هوش مصنوعی و روشهای ترکیبی حاصل از ترکیب انواع مدلهای اشاره شده حرکت نموده اند.
در مواردی روشهای مبتنی بر تحلیل سری های زمانی مانند الگوریتم هموارسازی نمایی و یا تحلیل روند مورد استفاده قرار گرفته اند. تحقیقات متعددی با هدف پیش بینی قیمت سهام شرکتها در بازارهای پول و سرمایه با روشهای مختلفداده کاوی صورت گرفته است. بسیاری تحقیقات بر اساس به کارگیری شبکه عصبی مصنوعی شکل گرفته اند و محققان به اشکال گوناگون به بررسی کارایی آن الگوریتم پرداخته اند.
در تحقیقی [۱] از شبکه عصبی پیشرو به منظور پیش گویی قیمت سهام استفاده نموده اند. در این تحقیق، به کمک فرایند داده کاوی یکپارچه، داده های انتخاب، نمونه داده ها، تبدیل داده ها، مدلسازی شبکه، شبیه سازی شبکه و ارزیابی نتایج به دست آمده، پیش گویی روند شاخص کل بازار بوری شانگهای با دقت بالاتری به دست آمد. نتیجه این تحقیق، مزیت استفاده از شبکه عصبی پیشرو با یادگیری پیش انتشار را در پیش گویی سیستمهای غیرخطی نشان داد. همچنین در تحقیق دیگری [۲] به مطالعه تجربی بر روی یک شبکه عصبی مصنوعی، که حاصل تجارب پیاده سازی مدل انتشار – بازگشتی پیش بینی قیمت سهام است را گزارش می دهد پرداختند. در راستای آزمون قابلیتهای پیش بینی شبکه عصبی، مدل انتشار – بازگشتی برای پیش بینی قیمت سهام ایجاد گردید. پارامترهای این نوع شبکه تغییر داده شد و نتایج پیش بینی ثبت گردید. این پارامترها عبارت بودند از : الگوریتم یادگیری، بازه نگاه به گذشته، تعداد نورون ها در لایه پنهان و توابع فعال ساز که اثرات تغییرات آنها در این مقاله موردمطالعه قرار گرفت . در انتها نتایج پیاده سازی مدل روی سهام سه شرکت مختلف به همراه پارامترهای آن نشان داده شده است. در این مطالعه سهام سه کمپانی SPG, WMT, IBM در بازار سهام نیویورک از سال ۲۰۰۴ تا ۲۰۰۷ به عنوان ورودی شبکه عصبی مورد مطالعه قرار گرفت . از میان داده ها قیمت حداکثر و حداقل برای هر ماه مد نظر بوده است. برای آموزش مدل داده ها از ماه دوم سال ۲۰۰۴ تا ماه اول سال ۲۰۰۶ استخراج شدند. که از ۶۰ درصد از این داده برای آموزش و از ۴۰ درصد دیگر به عنوان آزمونی برای تشخیص توانائی پیش بینی مدل استفاده شده است. در ادامه برای تعیین میزان سود حاصله قیمت حداکثر و حداقل دوازده ماه (از ماه دوم سال ۲۰۰۶ تا ماه اول سال ۲۰۰۷) به شبکه داده شد. هدف یا خروجی شبکه پیش بینی قیمت حداکثر و حداقل سهام در ماه بعد می باشد. ANN استفاده شده دارای سه لایه (لایه پنهان ، لایه ورودی و لایه خروجی) مدل آموزش پیش انتشار خطا، تعداد نورون های ورودی برابر با اندازه بازه ضربدر ۲ و تعداد نورون های خروجی برابر با ۲ (حداکثر و حداقل) می باشد. در انتهای این مقاله نتایج بدست آمده از شبکه پیاده سازی شده، شامل قیمتهای واقعی،پیش بینی شده همراه با نمودار عملکرد شبکه در فرایند آموزش به ازای قیمتهای حداکثر و حداقل نشان داده شده است.
اخیرا محققان به ترکیب الگوریتمهای مختلف به منظور بهبود کارایی و دقت در پیش بینی ها مشغول شده اند و نتایج مناسبی نیز به دست آورده اند.
تحقیق دیگری [۳] به ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، با هدف بررسی توان پیش بینی کنندگی آنها در مقایسه با مدلهای منفرد پرداختند. در این بررسی، با استفاده از شبکه های عصبی، ترکیبی متشکل از شبکه های پیشخور و کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در شبکه عصبی خودسازمانده پیش بینی قیمت سهام در بازار بورس تهران نشان داد که ترکیب شبکه خودسازمانده کوهونن با شبکه پیشخور، در مقایسه با مدل منفرد شبکه پیشخور که پرکاربردترین مدل شبکه های عصبی مصنوعی در حوزه پیش بینی بود، عملکرد بهتری در پیشبینی قیمت سهام ارائه میکند.
گروهی از الگوریتمهای ترکیبی الگوریتمهایی هستند که از ترکیب شبکه عصبی مصنوعی با یکی از الگوریتمهای بهینه سازی تکاملی شکل می گیرند. به دلیل جدید بودن این زمینه، تحقیقات متععدی روی آن صورت نگرفته است لکن موارد محدود موجود نشان دهنده کارایی و دقت قابل قبول برای پیش بینی در بازار بورس اوراق بهادار می باشد.
محققان دیگری [۴] عنوان نموده اند به کارگیری روشهای سنتی، قابلیت اطمینان پیش گویی ها در بازار سهام را تضمین نمی نمایند. ایشان شبکه عصبی مصنوعی را به منظور استخراج اطلاعات از داده های حجیم و داده کاوی را به منظور پیش گویی روندها و رفتار در بازارهای سهام مناسب یافتند و با ترکیب این دو به مدلی دست یافتند که در خروجی، پیش گویی هایی با قابلیت اطمینان مطلوبتر ارائه می نمود.
در تحقیقی [۵] محققان برای پیشگویی روند قیمت سهام شرکتها، قیمت سهام را تحت تاثیر عوامل بیرونی اقتصادی و شاخصهای مالی شرکت دانسته و به منظور تعیین روند قیمت آن از روش خوشه بندی فازی (روشی ترکیبی) استفاده نمودند. در خوشه بندی، نمونه ها با توجه به فاصله آنها با یکدیگر و یا به عبارت دیگر بر اساس میزان نزدیکی و مشابهت تقسیم می شوند و خوشه ها را شکل می دهند. در خوشه بندی کلاسیک هر نمونه فقط و فقط می تواند عضو یک خوشه باشد لکن در خوشه بندی فازی با توجه به مفهوم مجموعه های فازی هر نمونه می تواند به بیش از یک خوشه نیز تعلق داشته باشد. استفاده از این روش به محققان این امکان را داده تا قطعیت قضاوت در مورد روند قیمت یک سهم را افزایش دهند و در مواردی که نمونه ای بسیار مشابهت به نمونه های مثلا دو خوشه را دارد آن را در هر دو خوشه در نظر بگیرد. این حالت در مورد قیمت سهام بروز می نماید و یکی از منابع تصمیمات اشتباه تحلیل گران بازار سهام را شکل می دهد.
الگوریتم مورد نظر در مورد داده های قیمت سهم ده شرکت مخابراتی با در نظر گرفتن نه شاخص مالی شامل دارایی خالص به ازای هر سهم، عایدی به ازای هر سهم، سرمایه تجمعی به ازای هر سهم، نرخ سود ناخالص به ازای هر سهم، نسبت سود عملیاتی، نسبت سود خالص، بازگشت وزنی سرمایه، بازگشت خفیف سرمایه و نسبت جاری به کار گرفته شد.
نتایج آزمون انجام شده نشان داد که در مواردی که شاخصهای مالی شرکتها در یک خوشه قرار می گیرند قیمت سهام شرکتها مشابهت زیادی خواهند داشت و می توان روند آن را پیش گویی نمود. مثلا دو شرکت اول و نهم در آزمون مذکور در یک خوشه قرار گرفت. با کاهش ضریب لاندا شرکت ششم نیز در خوشه اول قرار گرفت و قابل پیشگویی نمود که قیمت سهم آن به سمت قیمت سهم دو شرکت اول و نهم کاهش یابد.
در تحقیق دیگری [۶] مشکل وجود شرایط متعدد آشوب و رفتار غیر خطی در بازار سهام و بالتبع قیمت سهام شرکتها را مورد توجه قرار داده و سعی نمودند تا با کمک یک الگوریتم ترکیبی بر این مشکل واقعی بازار سهام که الگوریتمهای کلاسیک قبلی قادر به مواجه اثربخش با آن نبودند فائق آیند. روشهای سری های زمانی مانند میانگین متحرک، هموارسازی نمایی و الگوریتم باکس-جنکینز و به دنبال آن شبکه های عصبی مصنوعی سعی در به دست آوردن توابع غیرخطی چندمتغیره نموده اند که شبکه های عصبی مصنوعی نتایج بهتری ارائه کرده اند. در سالهای اخیر دیده می شود محققان به منظور افزایش کارایی شبکه های عصبی مصنوعی آنها را با الگوریتم هایی مانند الگوریتم ژنتیک در قسمت آموزش وزنها ترکیب می کنند. از آنجا که الگوریتم یادگیری پیش انتشار خطا کارایی خیلی مناسبی در شرایط آشوب و غیر خطی از خود نشان نمی دهد الگوریتمهای بهینه سازی تکاملی اخیرا در یادگیری شبکه های عصبی به کار گرفته شده اند. الگوریتم بت (خفاش)، الگوریتمی بهینه ساز است که بر اساس این حقیقت که خفاش با ارسال امواجی با فرکانس مشخص و تخمین فواصل با تحلیل موج بازگشتی مسیر خود را مشخص می نماید طراحی شده است. این الگوریتم در برخی کاربردها به کار گرفته شده و اعتبار آن صحه گذاری گردیده است و نشان داده که در سیستمهای توام با آشوب و رفتارهای غیرخطی از قدرت قابل قبولی برخوردار می باشد.
تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ را پرداخت نمایید.
ارسال نظر