پایان نامه درمورد الگوريتمهاي، ، CITATION، l، 1065، شرکت، کاوي، سهم،

سي و پنج صنعت فعال در بورس اوراق بهادار تعداد پنج سهم به عنوان نمونه قابل قبول در سطح 95% اطمينان مي باشد.
توان محاسباتي نرم افزار مورد استفاده که در اين تحقيق نرم افزار MATLAB مي باشد يکي ديگر از موارد مورد توجه مي باشد. اين نرم افزار بسيار قدرتمند در انجام محاسبات، توان محدودي نسبت به برخي نرم افزارهاي موجود مانند R در راندمان محاسبات و فضاي مورد نياز دارد. اين مورد اثري در محاسبات و نتايج اين تحقيق ايجاد ننموده لکن امکان محاسبات همزمان تعداد نمونه بيشتر را با محدوديت مواجه مي نمايد.
1-8 ساختار تحقيقاين تحقيق شامل شش فصل مي باشد. در فصل اول مساله تحقيق معرفي مي گردد و سئوالات اصلي و فرعي تحقيق به همراه مفروضات و دامنه تحقيق تشريح مي گردد. تحقيقات پيشين در فصل دوم مرور شده اند. در اين فصل مرور تحقيقات داده کاوي روي الگوريتمهاي ترکيبي شبکه عصبي مصنوعي و الگوريتمهاي ديگر مورد توجه قرار گرفته و در اين بين الگوريتمهاي بهينه سازي تکاملي کانون توجه بوده اند. همچنين در اين فصل نتايج تحقيقات گذشته در شناسايي/ انتخاب ويژگي در داده هاي قيمت سهام مورد بررسي قرار گرفته است. فصل سوم اين تحقيق حاوي مباني نظري تحقيق مي باشد. در اين فصل پس از شرحي بر بازار بورس اوراق بهادار و رويکردهاي رايج تحليل قيمت سهام در آن بازار به تشريح نظري داده کاوي، شبکه هاي عصبي مصنوعي و الگوريتمهاي تکاملي انتخاب شده پرداخته شده است. روش تحقيق به کار گرفته شده، در فصل چهارم اين گزارش شرح داده شده است. نتايج اجراي تحقيق بر اساس روش تحقيق شرح داده شده در فصل پنجم گزارش گرديده است و فصل ششم، تحليل و نتيجه گيري اجراي تحقيق را در کنار پيشنهاد تحقيقات آينده ارائه مي نمايد.

: پیشینه تحقیق2-1 مدلهاي پيش بيني قيمت سهم در تحقيقات پيشينمحققان بسياري سعي نموده اند تا با به کارگيري روشهاي گوناگون پيش بيني به نتايج قابل قبولي در پيش بيني قيمت سهام در بازارهاي پول و سرمايه دست يابند. سير تحقيقات نشان دهنده آن است که از مدلهاي ساده و تک بعدي ابتدايي، روشها به سمت مدلهاي روشهاي زماني، مدلهاي بهينه سازي کلاسيک، روشهاي هوش مصنوعي و روشهاي ترکيبي حاصل از ترکيب انواع مدلهاي اشاره شده حرکت نموده اند.
در مواردي روشهاي مبتني بر تحليل سري هاي زماني مانند الگوريتم هموارسازي نمايي و يا تحليل روند مورد استفاده قرار گرفته اند. تحقيقات متعددي با هدف پيش بيني قيمت سهام شرکتها در بازارهاي پول و سرمايه با روشهاي مختلفداده کاوي صورت گرفته است. بسياري تحقيقات بر اساس به کارگيري شبکه عصبي مصنوعي شکل گرفته اند و محققان به اشکال گوناگون به بررسي کارايي آن الگوريتم پرداخته اند.
در تحقيقي CITATION WuM13 l 1065 [1] از شبکه عصبي پيشرو به منظور پيش گويي قيمت سهام استفاده نموده اند. در اين تحقيق، به کمک فرايند داده کاوي يکپارچه، داده هاي انتخاب، نمونه داده ها، تبديل داده ها، مدلسازي شبکه، شبيه سازي شبکه و ارزيابي نتايج به دست آمده، پيش گويي روند شاخص کل بازار بوري شانگهاي با دقت بالاتري به دست آمد. نتيجه اين تحقيق، مزيت استفاده از شبکه عصبي پيشرو با يادگيري پيش انتشار را در پيش گويي سيستمهاي غيرخطي نشان داد. همچنين در تحقيق ديگري CITATION مسع l 1065 [2] به مطالعه تجربي بر روي يك شبكه عصبي مصنوعي، كه حاصل تجارب پياده سازي مدل انتشار – بازگشتي پيش بيني قيمت سهام است را گزارش مي دهد پرداختند. در راستاي آزمون قابليتهاي پيش بيني شبكه عصبي، مدل انتشار – بازگشتي براي پيش بيني قيمت سهام ايجاد گرديد. پارامترهاي اين نوع شبكه تغيير داده شد و نتايج پيش بيني ثبت گرديد. اين پارامترها عبارت بودند از : الگوريتم يادگيري، بازه نگاه به گذشته، تعداد نورون ها در لايه پنهان و توابع فعال ساز كه اثرات تغييرات آنها در اين مقاله موردمطالعه قرار گرفت . در انتها نتايج پياده سازي مدل روي سهام سه شركت مختلف به همراه پارامترهاي آن نشان داده شده است. در اين مطالعه سهام سه كمپاني SPG, WMT, IBM در بازار سهام نيويورك از سال 2004 تا 2007 به عنوان ورودي شبكه عصبي مورد مطالعه قرار گرفت . از ميان داده ها قيمت حداکثر و حداقل براي هر ماه مد نظر بوده است. براي آموزش مدل داده ها از ماه دوم سال 2004 تا ماه اول سال 2006 استخراج شدند. كه از 60 درصد از اين داده براي آموزش و از 40 درصد ديگر به عنوان آزموني براي تشخيص توانائي پيش بيني مدل استفاده شده است. در ادامه براي تعيين ميزان سود حاصله قيمت حداکثر و حداقل دوازده ماه (از ماه دوم سال 2006 تا ماه اول سال 2007) به شبكه داده شد. هدف يا خروجي شبكه پيش بيني قيمت حداکثر و حداقل سهام در ماه بعد مي باشد. ANN استفاده شده داراي سه لايه (لايه پنهان ، لايه ورودي و لايه خروجي) مدل آموزش پيش انتشار خطا، تعداد نورون هاي ورودي برابر با اندازه بازه ضربدر 2 و تعداد نورون هاي خروجي برابر با 2 (حداکثر و حداقل) مي باشد. در انتهاي اين مقاله نتايج بدست آمده از شبكه پياده سازي شده، شامل قيمتهاي واقعي،پيش بيني شده همراه با نمودار عملكرد شبكه در فرايند آموزش به ازاي قيمتهاي حداکثر و حداقل نشان داده شده است.
اخيرا محققان به ترکيب الگوريتمهاي مختلف به منظور بهبود کارايي و دقت در پيش بيني ها مشغول شده اند و نتايج مناسبي نيز به دست آورده اند.
تحقيق ديگري CITATION پیا89 l 1065 [3] به ارائه مدلي تركيبي از شبكه هاي عصبي مصنوعي، با هدف بررسي توان پيش بيني كنندگي آنها در مقايسه با مدلهاي منفرد پرداختند. در اين بررسي، با استفاده از شبكه هاي عصبي، تركيبي متشكل از شبكه هاي پيشخور و كوهونن اقدام به پيش بيني قيمت سهام شده است. نتايج آزمايشات محاسباتي در شبکه عصبي خودسازمانده پيش بيني قيمت سهام در بازار بورس تهران نشان داد كه تركيب شبكه خودسازمانده كوهونن با شبكه پيشخور، در مقايسه با مدل منفرد شبكه پيشخور كه پركاربردترين مدل شبكه هاي عصبي مصنوعي در حوزه پيش بيني بود، عملكرد بهتري در پيشبيني قيمت سهام ارائه ميكند.
گروهي از الگوريتمهاي ترکيبي الگوريتمهايي هستند که از ترکيب شبکه عصبي مصنوعي با يکي از الگوريتمهاي بهينه سازي تکاملي شکل مي گيرند. به دليل جديد بودن اين زمينه، تحقيقات متععدي روي آن صورت نگرفته است لکن موارد محدود موجود نشان دهنده کارايي و دقت قابل قبول براي پيش بيني در بازار بورس اوراق بهادار مي باشد.
محققان ديگري CITATION Deb13 l 1065 [4] عنوان نموده اند به کارگيري روشهاي سنتي، قابليت اطمينان پيش گويي ها در بازار سهام را تضمين نمي نمايند. ايشان شبکه عصبي مصنوعي را به منظور استخراج اطلاعات از داده هاي حجيم و داده کاوي را به منظور پيش گويي روندها و رفتار در بازارهاي سهام مناسب يافتند و با ترکيب اين دو به مدلي دست يافتند که در خروجي، پيش گويي هايي با قابليت اطمينان مطلوبتر ارائه مي نمود.
در تحقيقي CITATION Jia13 l 1065 [5] محققان براي پيشگويي روند قيمت سهام شرکتها، قيمت سهام را تحت تاثير عوامل بيروني اقتصادي و شاخصهاي مالي شرکت دانسته و به منظور تعيين روند قيمت آن از روش خوشه بندي فازي (روشي ترکيبي) استفاده نمودند. در خوشه بندي، نمونه ها با توجه به فاصله آنها با يکديگر و يا به عبارت ديگر بر اساس ميزان نزديکي و مشابهت تقسيم مي شوند و خوشه ها را شکل مي دهند. در خوشه بندي کلاسيک هر نمونه فقط و فقط مي تواند عضو يک خوشه باشد لکن در خوشه بندي فازي با توجه به مفهوم مجموعه هاي فازي هر نمونه مي تواند به بيش از يک خوشه نيز تعلق داشته باشد. استفاده از اين روش به محققان اين امکان را داده تا قطعيت قضاوت در مورد روند قيمت يک سهم را افزايش دهند و در مواردي که نمونه اي بسيار مشابهت به نمونه هاي مثلا دو خوشه را دارد آن را در هر دو خوشه در نظر بگيرد. اين حالت در مورد قيمت سهام بروز مي نمايد و يکي از منابع تصميمات اشتباه تحليل گران بازار سهام را شکل مي دهد.
الگوريتم مورد نظر در مورد داده هاي قيمت سهم ده شرکت مخابراتي با در نظر گرفتن نه شاخص مالي شامل دارايي خالص به ازاي هر سهم، عايدي به ازاي هر سهم، سرمايه تجمعي به ازاي هر سهم، نرخ سود ناخالص به ازاي هر سهم، نسبت سود عملياتي، نسبت سود خالص، بازگشت وزني سرمايه، بازگشت خفيف سرمايه و نسبت جاري به کار گرفته شد.
نتايج آزمون انجام شده نشان داد که در مواردي که شاخصهاي مالي شرکتها در يک خوشه قرار مي گيرند قيمت سهام شرکتها مشابهت زيادي خواهند داشت و مي توان روند آن را پيش گويي نمود. مثلا دو شرکت اول و نهم در آزمون مذکور در يک خوشه قرار گرفت. با کاهش ضريب لاندا شرکت ششم نيز در خوشه اول قرار گرفت و قابل پيشگويي نمود که قيمت سهم آن به سمت قيمت سهم دو شرکت اول و نهم کاهش يابد.
در تحقيق ديگري CITATION رضا92 l 1065 [6] مشکل وجود شرايط متعدد آشوب و رفتار غير خطي در بازار سهام و بالتبع

  • 1
متن کامل در سایت homatez.com