پایان نامه درمورد الگوریتمهای، ، CITATION، l، 1065، شرکت، کاوی، سهم،

سی و پنج صنعت فعال در بورس اوراق بهادار تعداد پنج سهم به عنوان نمونه قابل قبول در سطح 95% اطمینان می باشد.
توان محاسباتی نرم افزار مورد استفاده که در این تحقیق نرم افزار MATLAB می باشد یکی دیگر از موارد مورد توجه می باشد. این نرم افزار بسیار قدرتمند در انجام محاسبات، توان محدودی نسبت به برخی نرم افزارهای موجود مانند R در راندمان محاسبات و فضای مورد نیاز دارد. این مورد اثری در محاسبات و نتایج این تحقیق ایجاد ننموده لکن امکان محاسبات همزمان تعداد نمونه بیشتر را با محدودیت مواجه می نماید.
1-8 ساختار تحقیقاین تحقیق شامل شش فصل می باشد. در فصل اول مساله تحقیق معرفی می گردد و سئوالات اصلی و فرعی تحقیق به همراه مفروضات و دامنه تحقیق تشریح می گردد. تحقیقات پیشین در فصل دوم مرور شده اند. در این فصل مرور تحقیقات داده کاوی روی الگوریتمهای ترکیبی شبکه عصبی مصنوعی و الگوریتمهای دیگر مورد توجه قرار گرفته و در این بین الگوریتمهای بهینه سازی تکاملی کانون توجه بوده اند. همچنین در این فصل نتایج تحقیقات گذشته در شناسایی/ انتخاب ویژگی در داده های قیمت سهام مورد بررسی قرار گرفته است. فصل سوم این تحقیق حاوی مبانی نظری تحقیق می باشد. در این فصل پس از شرحی بر بازار بورس اوراق بهادار و رویکردهای رایج تحلیل قیمت سهام در آن بازار به تشریح نظری داده کاوی، شبکه های عصبی مصنوعی و الگوریتمهای تکاملی انتخاب شده پرداخته شده است. روش تحقیق به کار گرفته شده، در فصل چهارم این گزارش شرح داده شده است. نتایج اجرای تحقیق بر اساس روش تحقیق شرح داده شده در فصل پنجم گزارش گردیده است و فصل ششم، تحلیل و نتیجه گیری اجرای تحقیق را در کنار پیشنهاد تحقیقات آینده ارائه می نماید.

: پیشینه تحقیق2-1 مدلهای پیش بینی قیمت سهم در تحقیقات پیشینمحققان 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 CITATION WuM13 l 1065 [1] 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 CITATION مسع l 1065 [2] 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 2004 تا 2007 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 2004 تا ماه اول سال 2006 استخراج شدند. که از 60 درصد از این داده برای آموزش و از 40 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 2006 تا ماه اول سال 2007) 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 2 و تعداد نورون های خروجی برابر با 2 (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 CITATION پیا89 l 1065 [3] 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 CITATION Deb13 l 1065 [4] 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 CITATION Jia13 l 1065 [5] 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 CITATION رضا92 l 1065 [6] مشکل وجود شرایط متعدد آشوب و رفتار غیر خطی در بازار سهام و بالتبع

متن کامل در سایت homatez.com