پایان نامه درباره شبکه‌های، الگوریتم، تکنیکال، اندیکاتورهای، می‌کند.، مدل‌های، اثبات، ویولت

دانش است. علم داده کاوی با ارائه راهکارهای مختلف، اولین رکن استفاده از داده‌ها جهت کشف دانش را حذف داده‌های اضافی و شاخ و برگ‌های غیر ضروری می‌داند و لذا در این مقاله از چند تکنیک داده کاوی که در ادامه شرح داده خواهد شد استفاده گردیده است. همچنین، همانگونه که ذکر شد، مدل‌هایی که برای پیش بینی‌های کوتاه مدت مورد استفاده قرار می‌گیرند، مدل ‌های سری زمانی و تحلیل‌های تکنیکال می‌باشند. از آنجا که ما قصد پیش بینی قیمت بسته شدن سهام را به صورت روزانه داریم نیز، با تلفیق این دو مدل، با استفاده از اندیکاتورهای تحلیل تکنیکال و قیمت‌های روزهای قبل به پیش بینی می‌پردازیم.
قسمت دوم این مقاله به تحقیقات مشابه، قسمت سوم به تعریف فرآیند و روش انجام تحقیق، قسمت چهارم به نتایج تحقیق، قسمت پنجم نتیجه گیری و قسمت ششم به منابع تخصیص یافته است.
1-4- پژوهش‌های مشابهلو و همکاران (2014) پس از بررسی دلایل بیش برازش و تعمیم نامناسب شبکه‌های عصبی، با اعمال تغییراتی در شبکه عصبی و به کار بردن کلاسی از تأخیر سازنده RBF شبکه‌های عصبی؛ موفق شده است که شبکه عصبی با دقت بیشتر و البته تعداد نرون های کمتر در لایه پنهان شبکه عصبی ساخته و نتایج آن را در دنیای واقعی امتحان کرده است.
لاهمیری (2013) با به کاربردن تبدیلات گسسته ویولت (SWT) و تقسیم سری زمانی قیمتی به دو بخش ماژور و مینور، نتیجه می‌گیرد که بخش ماژور در واقع دارای فراوانی و پراکندگی پایین تری بوده و برای پیش بینی روند بلند مدت قیمت سهام مناسب است. وی پس از تبدیلات مذکور، با استفاده از شبکه‌های عصبی بازخور برگشتی، به پیش بینی قیمت سهام پرداخته و با بررسی تئوری خود در 15 پایگاه داده، نتیجه می‌گیرد که الگوریتم پیشنهادی وی از مدلهای ARMA و RW عملکرد بهتری دارد.
تیکنور (2013) با در نظر گرفتن قیمت‌های روزانه و اندیکاتورهای تحلیل تکنیکال به عنوان ورودی شبکه عصبی، قیمت بسته شدن روز بعد را پیش بینی می‌کند. وی با بیان پیچیدگی‌های موجود در روند تغییرات قیمت سهام و مشکلات پیش بینی آن، برای جلوگیری از بیش برازش و بیش آموزش پیشنهاد می‌کند که شبکه عصبی توسط الگوریتم بیزین کنترل شده و برای مدل‌های با پیچیدگی بالا جریمه هایی تعیین گردد تا از بیش برازش و بیش آموزش جلوگیری شود. وی صحت ادعای خود را در سهام‌های مایکروسافت و گلدمن به بوته آزمایش می‌گذارد.
بیسون (2014) با بیان این مسئله که سرمایه گذاری در بازار سهام، به دلیل بازده خوب آن همواره مورد توجه سرمایه گذاران بوده است؛ کسب بازده و سود مناسب در این بازار را منوط به دانستن و پیش بینی کردن نقاط بازگشت قیمت می‌دانند. لذا پیش بینی قیمت سهام در روزهای آینده را مهمترین امر در راه رسیدن به این مهم می داند. وی با استفاده از فیلتر کلمن، داده ها را پیش پردازش کرده و با شبکه‌های عصبی دینامیک به پیش بینی قیمت می پردازد. وی برای اثبات کارایی مدل پیشنهادی، چهار سهم از بازار سهام هند؛ بمبئی را انتخاب و بررسی کرده است.
الیویرا (2013) با مهم دانستن این مسئله که پیش بینی جهت تغییر قیمت سهام سهم به سزایی در تنظیم سیاست‌های معامله گران دارد، پیشنهاد می‌کند که با استفاده از داده‌های تاریخی در مدل‌های ریاضی می‌توان به صحت و دقت خوبی در پیش بینی رسید. وی با بیان این مسئله که سه نوع تحلیل سری زمانی، تکنیکال و فاندمنتال برای تحلیل داده های تاریخی به کار گرفته می شوند، شبکه عصبی طراحی می‌کند که داده‌های ورودی آن، از ورودی های هر سه تحلیل ذکر شده می‌باشد. در واقع وی هر سه تحلیل را با هم یکی کرده و از قابلیت های هر کدام استفاده می‌کند. همچنین پیشنهاد می‌کند که استفاده محض از تمام داده‌ها باعث بیش برازش و پایین آمدن دقت شبکه می‌شود و لذا با استفاده از تکنیک های متعدد داده کاوی، داده ها را پیش پردازش می‌کند. وی صحت گفته‌های خود را در بازار سهام برزیل تأیید می‌کند.
کارا و همکاران (2011) با بیان این مسئله که پیش بینی جهت تغییرات قیمت سهام امری چالش برانگیز و در صورت صحت بسیار پر سود است، بسط مدل‌های ریاضی برای این مهم را به دلیل پیچیدگی‌های ذاتی بازار سهام بسیار مشکل می‌داند. وی با استفاده از اندیکاتورهای تحلیل تکنیکال به عنوان ورودی، کارکرد و نتایج عملکرد دو الگوریتم دسته بندی شبکه های عصبی و ماشین های بردار پشتیبان را بررسی کرده و با مقایسه نتایج، کارکرد شبکه های عصبی را بهتر و مفید تر می‌یابد.
جاسمی و همکاران (2011) شبکه‌های عصبی را به همراه تحلیل تکنیکال و نمودارهای شمعی ژاپنی به کار می برد، وی در پژوهشی به جای اینکه با شبکه‌های عصبی قیمت و یا اندیکاتورها را پیش بینی کند، در صدد پیش بینی و برازش یک مدل رگرسیون می‌باشد که متغیرهای مستقل آن، اندیکاتورهای تکنیکی و متغیر مستقل آن روند کوتاه مدت قیمت است. اندیکاتورهای تکنیکی توسط دو روش داده‌های خام و تحلیل تکنیکال به ترتیب به تعداد پانزده و بیست و چهار عدد تعریف شده‌اند. در نهایت با آزمایش بر روی داده‌های حاضر در یاهو فایننس به این نتیجه می‌رسد که نتایج پیش بینی به این روش بسیار کارآمدتر از متدهای کلاسیک است.
چانگ (2012) با ارائه مدل جدیدی از شبکه‌های عصبی تحت عنوان شبکه عصبی نیمه متصل به پیش بینی قیمت سهام به وسیله اندیکاتورهای تکنیکال می‌پردازد. این شبکه جدید، از نظر تابع فعال سازی، تعداد لایه‌ها و اتصال نرون‌ها با شبکه های عصبی معمول تفاوت دارد. نخست اینکه اتصال داشتن یا نداشتن دو نرون با هم تصادفی تعیین می‌گردد. تفاوت دوم در تصادفی بودن تعداد لایه ها نیز می‌باشد و سرانجام تابع فعال سازی نیز به جای سیگموید، تابع سینوسی انتخاب می‌گردد. وی برای اثبات کارآمدی الگوریتم پیشنهادی، آن را از سه نظر امتحان می‌کند. اوّل دقت پیش بینی آن را یعنی تفاوت مقادیر پیش بینی شده و مقادیر واقعی سنجیده، سپس از نظر بیش برازش با مدل‌های معمولی شبکه عصبی مقایسه کرده و در نهایت عملکرد آن را با سایر الگوریتم‌های رقیب مقایسه کرده است.
لو (2010) با این مقدمه که پیش بینی قیمت سهام و اساسا پیش بینی در تمام بازارهای مالی کاری سخت و چالش برانگیز است، استدلال می‌کند که این امر به دلیل وجود اغتشاش فراوان در میان داده‌های پیش بینی کننده است. وی پیشنهاد می‌کند که با به کار بردن آنالیز متغیر مستقل یکپارچه؛ در ابتدا باید در میان داده‌های پیش بینی کننده آنهایی که مستقل هستند را یافته، اغتشاش موجود در آنها را از بین برده و پس از آن ورودی ها را به منظور پیش بینی قیمت به شبکه عصبی داد. وی برای اثبات مدعای خود دو شاخص بازار بورس تایلند و نیکی را انتخاب کرده و با مقایسه عملکرد الگوریتم پیشنهادی با اغتشاش زدایی توسط امواج ویولت و سپس به کار بردن شبکه‌های عصبی بازخور بازگشتی و همچنین با شبکه‌های عصبی معمولی بدون فیلترینگ و همچنین قدم زدن تصادفی؛ الگوریتم پیشنهادی را کارا می‌یابد.
وانگ و همکاران (2011) نیز اظهار می‌دارد که پیش بینی قیمت سهام به دلیل بالا بودن تعداد متغیرهای مستقل امری مشکل و چالشی است. وی پیشنهاد می‌کند در ابتدا توسط الگوریتم WDBP با استفاده از ویولت اغتشاشات موجود میان داده ها از بین رفته و توسط شبکه‌های عصبی پس خور بازگشتی، پیش بینی انجام گیرد. همچنین برای اثبات الگوریتم پیشنهادی خود، آن را در بازار شانگهای به بوته آزمایش گذاشته و عملکرد بهتر الگوریتم پیشنهادی را نسبت به شبکه عصبی پس خور بازگشتی تصدیق می‌نماید.
1-5- ضرورت انجام تحقیق و اهمیت تحقیقهمانگونه که پیش‌تر و در ادبیات موضوعی دیده شد، پیش بینی قیمت بالا و قیمت پایین برای یک دوره جلوتر، پیش از این انجام نشده است و خلاء وجود مدلی برای پیش بینی که به طور عملی قابل استفاده باشد، احساس می شود. پیش از این، در پژوهش های مشابه، تنها قیمت بسته شدن پیش بینی می شده است و این در حالی است که پیش بینی کننده سهم، ممکن است مالک سهام نباشد. در این حالت، پیش بینی کننده توانایی عملی برای استفاده از مدل را ندارد. دلیل این امر این است که وی احتمالا مجبور است، سهام را با همان قیمتی که پیش بینی می کند، خریداری کند. لذا در این پژوهش، به پیش بینی دو قیمت بالا و پایین پرداخته شده و توسط آن، پیش بینی کننده این فرصت را دارد که در قیمت پایین سهام را خریداری کرده و در قیمت بالا آن را بفروشد.
1-6- اهداف تحقیقاهداف اصلی این پژوهش عبارتند از :
شناسایی مؤثرترین اندیکاتورهای تحلیل تکنیکال برای پیش بینی قیمت سهام مورد نظر
داده کاوی سری های زمانی برای تشخیص شبیه ترین سری زمانی به سری زمانی هدف، جهت پیش‌بینی تغییرات آینده سهام هدف، با استفاده از تغییرات گذشته قیمت سهم مشابه
طراحی و ساخت شبکه عصبی برای پیش بینی قیمت‌های بالا

متن کامل در سایت homatez.com

About: admin