1,092 views
پیشینه تحقیق نظریه کارایی بازار سرمایه و کاربرد داده کاوی و شبکه عصبی در پیش بینی قیمت سهام دارای ۷۶ 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.
۲-۱- مقدمه ۵
۲-۱-۱- تحلیل تکنیکی ۶
۲-۱-۲- تحلیل بنیادین ۷
۲-۱-۳- تحلیل توسط مدلهای علمی ۸
۲-۲- آیا بازار سرمایه پیش بینی پذیر است؟ ۱۰
۲-۲-۱- نظریه کارایی بازار سرمایه ۱۰
۲-۲-۲- فروض نظریه کارایی بازار ۱۶
۲-۲-۳- انتقادات وارد شده به نظریه کارایی بازار سرمایه ۱۸
۲-۲-۴- پاسخ نظریه کارا ۱۹
۲-۲-۵- نتیجه گیری ۲۰
۲-۳- داده کاوی ۲۱
۲-۳-۱- مقدمه ۲۱
۲-۳-۲- مفهوم داده کاوی ۲۳
۲-۳-۴- اهداف داده کاوی ۲۵
۲-۳-۵- داده کاوی و رابطه آن با علم آمار ۳۰
۲-۴- شبکه عصبی ۳۲
۲-۴-۱- معرفی: ۳۲
۲-۴-۲- کاربرد شبکه های عصبی ۳۳
۲-۴-۳- تعریف پایه شبکه های عصبی ۳۴
۲-۴-۴- ویژگی های شبکه عصبی ۳۶
۲-۵- تحلیل تکنیکال ۴۹
۲-۵-۱- مقدمه: ۴۹
۲-۵-۲- اندیکاتورهای تحلیل تکنیکال ۵۰
۲-۶- مرور پژوهش های مشابه ۵۳
۲-۶-۱- کاربرد شبکه عصبی در پیش بینی قیمت سهام ۵۳
۲-۶-۲- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام ۶۰
۲-۶-۳- کاربرد داده کاوی در بازار سهام ۶۵
۲-۶-۴- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام ۶۷
فهرست مراجع ۷۱
Yoon, Y., Swales, T. ۱۹۹۳٫ A comparison of discriminant analysis versus artificial neural networks, TM Margaric – Journal of the Operational Research – JSTOR, 27(3), pp.194-206
Kryzanowski, L., Galler, M., Wright, D. W., 1993. Using artificial neural networks to pick stocks. Journal of Financial Analysts Journal JSTOR, 6(4), pp. 45-54
Donaldson, R. G., Kamstra, M., 1997. An artificial neural network- GARCH model for international stock return volatility. Journal of Empirical Finance, 4(1), pp. 17-46
Donaldson, R. G., Kamstra, M., 1996. Forecast combining with neural networks. Journal of Forecasting, 3(5), pp. 45-51
Fishbein, D. S., 2002. Neural Networks and Genetic Algorithms: Another Tools for the Technical Analysis of Financial Markets. Trenton Computer Festival Proceedings.
Guresen, E., Kayakutlu, G., Daim, T. U., 2011. Using artificial neural network models in stock market index prediction. Journal of Expert Systems with Applications Elsevier, 3(2), pp 124-129
Adya, M., Collopy, F., 1998. How effective are Neural Networks at Forecasting and Prediction? A Review and Evaluation. Journal of Forecasting, J. Forecast, 1(7), pp. 481 – ۴۹۵٫
Khan, A. U., Bandopadhyaya, T. K., Sharma, S., 2008. Genetic Algorithm Based Backpropagation Neural Network Performs better than Backpropagation Neural Network in Stock Rates Prediction. International Journal of Computer Science and Network Security, 8(7), pp. 54-61
Khan, J., Wei, J. S., Ringner, M., Saal, L. H., 2001. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks. Nature medicine. Available from
Kim, B. S., 2005. Nonlinear flight control using neural networks. Journal of Guidance, Control, and Dynamics, 4(24), pp. 113.122
Kim, K., Lee, W. B., 2004, Stock market prediction using artificial neural networks with optimal feature transformation, Journal of Neural computing & applications Springer, 3(4), pp. 54-61
Altay, E., Satman M. H., 2005. Stock market forecasting: artificial neural network and linear regression comparison in an emerging market. Journal of financial management and papers. Available from:http://papers.ssrn.com/sol3/DisplayAbstractSearch.cfm
Armano, G., Marchesi, M., Murru, A., 2005. A hybrid genetic-neural architecture for stock indexes forecasting. Journal of Information Sciences Elsevier, 3(4), pp. 54-61.
Bisoi, R., Dash, P. K., 2014. A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter. Journal of Applied Soft Computing, ۳(۱۹), pp. 41-56
Bruce, J., stone, V., Finnie, G., Tan, C., 2004. Applying Fundamental Analysis and Neural Networks in the Australian Stockmarket Bond University. ePublications@bond, Available from http://bond.edu.au/library-and-online-resources/search/bond-university-
بازارهای مالی به دلیل خصوصیات منحصر به فردی نظیر عدم نیاز به سرمایه کلان، سادگی و کم هزینه بودن معاملاتشان و عدم وجود ریسک نکول[۱]، در عصر اخیر به یکی از پرطرفدارترین حوزههای سرمایه گذاری تبدیل شدهاند. حکومتها و دولتها نیز به این دلیل که میتوانند با گرد هم آوردن سرمایههای اندک و سرمایه های کلان، بودجههای عظیمی برای امور کشوری فراهم کنند، همواره به گسترش این بازارها کمک کرده و با تصویب قوانین متعددی از جمله معافیتهای مالیاتی در تلاش برای کشاندن پس اندازهای مردم به این بازارها بوده اند. به دلیل همین خصوصیات، حجم عظیمی از سرمایه گذاران به این حوزه وارد شده و این بازارها با سرعت چشمگیری نیز در حال رشد هستند. این حجم زیاد سرمایه گذاران، برای کسب سود از این بازارها وارد آن شده و لذا همواره به دنبال راههایی برای افزایش دامنه سود خود بوده اند. این مسئله باعث شده است که سرمایه گذاران همواره به دنبال پیش بینی اتفاقات آینده و قیمت ها در بازار بوده و از این طریق کسب سود کنند؛ به همین دلیل است که همزمان با رشد این بازارها، مدل های بسیار متنوعی برای پیش بینی بوجود آمده و در حال گسترش نیز هستند. به طور کلی شاید بتوان سرمایه گذاران را به دو دسته تقسیم کرد، آنها که به مدل کارایی بازار سرمایه اعتقاد داشته و به پیش بینی این بازارها معتقد نیستند؛ و آنهایی که به روشهای مختلفی به پیش بینی در این بازارها می پردازند. در مورد نظریه کارایی بازار در ادامه به تفسیر سخن گفته خواهد شد و لذا در ادامه به مرور روشهای متنوعی که برای پیش بینی قیمت سهام بوجود آمده و به کار گرفته شده اند خواهیم پرداخت. به صورت کلی میتوان گفت که تلاش برای پیش بینی بازارهای مالی در سه حوزه اتفاق افتاده است، حوزه اول به بررسی ساختار بازار، سهام موجود در آن و صنایع پرداخته و با شناسایی ویژگی های خاص این بازارها به تشخیص و معرفی صنایع و یا سهام برتر پرداخته و سرمایه گذاران را از این طریق یاری میکنند. حوزه دوم به ایجاد یک مدل برای استراتژیهای سرمایه گذاری پرداخته و سعی دارند با شناسایی نقاط خرید و فروش سهام، کاری کنند که سرمایه گذاران در کمترین قیمت خرید و در بیشترین قیمت اقدام به فروش نمایند. حوزه سوم اما به پیش بینی قیمت سهام میپردازند، جایی که بیشترین گستردگی استفاده از الگوریتمها و مدلهای مختلف در آن وجود دارد. این حوزه را میتوان به صورت کلی در سه بخش یا سه دیدگاه دید؛ تحلیل تکنیکال[۲]، تحلیل بنیادین[۳] و تحلیل با مدلهای هوش مصنوعی[۴]. در ادامه به توضیح مختصری در مورد هر یک از این دیدگاه ها خواهیم پرداخت.
روشی برای پیشبینی قیمتها در بازار از طریق مطالعه وضعیت گذشته بازار است. در این تحلیل از طریق بررسی تغییرات و نوسانهای قیمتها و حجم معاملات و عرضه و تقاضا میتوان وضعیت قیمتها در آینده را پیشبینی کرد. این روش تحلیل در بازار ارزهای خارجی، بازارهای بورس اوراق بهادار و بازار طلا و دیگر فلزات گرانبها کاربرد گستردهای دارد.
این نوع تحلیل با استفاده از مطالعه رفتار و حرکات قیمت و حجم سهام در گذشته و تعیین قیمت و روند آینده سهم صورت میپذیرد. تغییرات قیمت سهم با استفاده از پیشینه تاریخی و نمودار توسط تحلیل گر تکنیکی مورد تجزیه و تحلیل قرار میگیرد. این روش بیشتر مورد استفاده سفتهبازان قرار میگیرد و بدین صورت قصد دارند تا بازده مورد نظر خود را در هنگام بالا رفتن قیمت سهم افزایش دهند. در واقع سرمایه گذاران با دیدگاه کوتاه مدت از این روش بهره میجویند.
تحلیل تکنیکی (فنی)، با آزمون قیمتهای گذشته و حجم مبادلات حرکتهای آینده، قیمت را پیش بینی میکند. اساس این تحلیلها بر استفاده از نمودار و رابطههای ریاضی و هندسی متمرکز است تا بدین گونه روندهای کوچک و بزرگ بدست آید. در این راستا فرصتهای خرید یا فروش از راه برآورد محدوده نوسانات بازار مشخص میشود.
تحلیل بنیادین یک شرکت شامل تحلیل گزارشات مالی و سلامت مالی شرکت، مدیریت و امتیازات رقابتی، رقبا و بازارهای مربوطه است. هنگامیکه این تحلیل در بازارهای آتی[۵] و فارکس[۶] به کار میرود، تمرکز اصلی بر شرایط اقتصادی، نرخ بهره، تولید، سودآوری و مدیریت است. وقتی سهام، قراردادهای آتی یا ارز مورد تحلیل بنیادین قرار میگیرد، دو رویکرد اساسی وجود دارد: تحلیل پایین به بالا و تحلیل بالا به پایین. این عبارات جهت تمیز دادن چنین تحلیلهایی از سایر تحلیلهای سرمایه گذاری نظیر تحلیلهای کمی و تکنیکی است. تحلیل بنیادین بر اساس دادههای گذشته و فعلی با هدف پیش بینی مالی انجام میپذیرد. اهداف متعددی برای این تحلیل وجود دارد. تعیین ارزش سهام شرکت و پیش بینی تغییرات آتی قیمت، برآورد عملکرد تجاری و ارزیابی مدیریت و اتخاذ تصمیمات داخلی جهت محاسبه ریسک اعتباری در تحلیل بنیادین اساس پیش بینی بر مبنای وقایع و رخدادهای واقعی پایه گذاری شدهاست. معامله گر با تحلیل اتفاقات و اخبار دنیای واقعی و بر اساس دانش و استراتژی خود، به پیش بینی بازار میپردازد. استراتژی روش محاسبه نقاط ورود به بازار و خروج از آن است. پایه نظر تحلیل گران بنیادی این است که تمام تغییرات در قیمتها حتماً یک علت اقتصادی بنیادی دارد.
مدلهای علمی بسیار متنوعی برای استفاده در پیش بینی، در چند دهه اخیر معرفی و به کارگیری شدهاند. از مدلهای کلاسیک پیش بینی رگرسیونی[۷] گرفته تا متدهای متنوع و به روزی که در سریهای زمانی[۸] معرفی می شوند؛ از جمله کارهای ارزشمند استفاده شده در این عصر هستند. در سال های اخیر اما، استفاده از الگوریتم های کلاسیک معرفی شده کمتر شده و خبرگان مالی به استفاده از روشهای نوین معرفی شده توسط علم هوش مصنوعی روی آوردهاند. دلیل این امر این است که پیچیدگی بسیار زیاد بازار سهام، استفاده از مدلهای خطی را محدود کرده است. در واقع رفتار غیر خطی کاملا در قیمت سهام مشخص بوده و تخمین آن با متدهای خطی باعث ایجاد خطای زیادی میگردد. در این میان، استفاده از الگوریتمهای کلاسیک غیرخطی نیز کارایی چندانی ندارند. دلیل این امر نیز این است که در این متدها باید مدلی که قرار است به دادهها برازش شود باید از قبل معلوم باشد و همچنین این مدلها دارای محدودیت زیادی در شکل و پیچیدگی هستند و لذا استفاده از این مدلها، به مراتب حتی از مدلهای خطی نیز کارایی کمتری دارند. در این میان، حجم بالای دادههای موجود و محدودیتهای مدلهای کلاسیک نیز از جمله مشکلات دیگری است که این حوزه را به سمت استفاده از مدلهای هوش مصنوعی سوق داده است.
علم هوش مصنوعی با معرفی ابزارهای بسیار متنوعی مثل شبکههای عصبی[۹] ، ماشین بردار پشتیبان[۱۰] و الگوریتمهای فراابتکاری[۱۱] امکانات بی نظیری را برای کار با داده های فراوان، تخمین مدلهای بسیار پیچیده و سرعت عمل بالا در برازش فراهم آورده و به همین دلایل با اقبال بسیار زیادی روبرو شده است. در این میان، قابلیت استفاده از شبکههای عصبی برای پیش بینی قیمت بسیار بالاتر از ابزارهای دیگر است. دلیل این امر این است که این شبکهها قابلیت تخمین مدلهای پیچیده تر و کار با تعداد داده های بسیار زیادتر را دارد. در تحقیقات انجام شده عصر حاضر نیز بیشترین استفاده از مدلهای هوش مصنوعی در حوزه پیش بینی سهام، به استفاده از این شبکه ها باز میگردد.
نکته مهمی که در مورد این شبکهها وجود دارد این است که این شبکهها اغلب دارای بیش برازش میگردند. به این معنا که مدل را حتی از حد واقعی خود نیز پیچیده تر تخمین میزنند. برای جلوگیری از این اتفاق، باید معماریهای مناسبی را برای شبکه انتخاب کرده و الگوریتم های یادگیری را نیز به درستی استفاده کرد. علاوه بر این لازم است که میزان اطلاعات ورودی به این شبکه نیز محدود شده و پیچیدگیهای احتمالی را از بین ببرد. در مورد شبکه های عصبی و معماری ها و الگوریتمهای یادگیری آنها در ادامه به تفصیل پرداخته خواهد شد، اما در مورد کاهش حجم ورودی ها و به گزین کردن آنها، از علم داده کاوی استفاده می شود. این علم میان رشته ای با ابزارهای بسیار متنوعی که تعریف میکند، قابلیت های بی نظیری را برای پیش پردازش داده ها و توصیف مجموعه داده ها معرفی میکند. این علم نیز در ادامه به تفصیل توضیح داده خواهد شد.
[۱] Default Risk
[۲] Technical
[۳] Fundamental
[۴] Artificial Intelligence
[۵] Future & Forward Markets
[۶] Forex
[۷] Regression Models
[۸] Time Series
[۹] Neural Networks
[۱۰] Support Vector Machines
[۱۱] Meta Heuristic Algorithms
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