پایان نامه درباره ، الگوریتم، الگوریتمهای، 1065، CITATION، l، s، چندعامله

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.
کارایی الگوریتم مذکور به کمک معیار خطا MAPE محاسبه گردیده و در قیاس با سه الگوریتم دیگر مطابق جدول شماره ‏21 بوده است.
جدول شماره STYLEREF 1 s ‏2 SEQ جدول_شماره_ * ARABIC s 1 1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگرمدل سهام مخابرات ایران سهام بیمه آسیا
شبکه عصبی با 4 نورون 7341/1 6799/2
شبکه عصبی با 6 نورون 7533/1 7104/2
شبکه عصبی رگرسیون تعمیم یافته 6938/1 8885/2
مدل بت-عصبی 6037/1 2026/2
همانطور که مشاهده می گردد کمینه شاخص کارایی در هر دو سهم بر اساس الگوریتم ترکیبی بت-عصبی به دست آمده است.
گونه ای دیگر از الگوریتمهای به کار گرفته شده در پیشگویی قیمت سهم در بازارهای پول و سرمایه الگوریتمهای چندعامله هستند. محققان دیگری CITATION MHF12 l 1065 [7] سیستمی چندعامله برای پیش گویی قیمت سهم در روز بعد با هدف افزایش ( FMAS ) چندعامله فازی چهار لایه قطعیت پیشگویی ارائه نمودند. ایشان بازار سهام را سیستمی پیچیده توضیح داده و اظهار نموده اند برای تصمیم گیری های سرمایه گذاری در آن نیاز به مدلی استوار می باشد. رویکردهای چندعامله پیچیدگی سیستم را کاهش می دهند چرا که سیستم را به اجزای مستقل کوچکتری تقسیم نموده که هر یک از آنها را با بهترین روش خاص آن حل خواهند نمود و در نهایت حل مساله سیستم پیچیده را به دست می آورند. معماری سیستم چندعامله ارائه شده در تحقیق مذکور شامل لایه های زیر می باشد:
لایه 1: لایه ایجاد متاداده می باشد که در آن داده های سهام از منابع داده بیرونی به دست آمده و توسط متخصصان علم داده متاداده آن ایجاد می گردد.
لایه 2: در این لایه پیش پردازش داده ها صورت می گیرد. انتخاب ویژگی ها به کمک تحلیل رگرسیون مرحله ای و نیز مدولار نمودن مساله پیش گویی به کمک خوشه بندی با شبکه عصبی مصنوعی SOM در این لایه صورت می پذیرد.
لایه 3: این لایه مسئولیت مدلسازی و ارزیابی آن برای هر یک از خوشه ها به کمک سیستمهای فازی ژنتیک را به عهده دارد.
لایه 4: در این لایه تحلیل مدل و نمایش دانش انجام می شود. تحلیل حساسیت مدل، دقت پیش گویی و ارائه بهنگام سناریوهای جایگزین تصمیم گیری در فرایندهای شبیه سازی چه-اگر در این لایه انجام می شود.
خروجی هر یک از لایه ها به کمک پروتکل های طراحی شده به لایه دیگر منتقل می شوند. مدل ارائه شده روی داده های سهام چهار شرکت کار گرفته شد و کارایی آن با پنج مدل دیگر که قبلا برای پیشگویی قیمت سهام به کار گرفته شده بودند با شاخص خطا MAPE مقایسه گردید. نتایج مقایسه به شرح جدول شماره ‏22 بوده است.
جدول شماره STYLEREF 1 s ‏2 SEQ جدول_شماره_ * ARABIC s 1 2: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگرمدل IBM British Airways Ryanair Dell
HMM 219/1 629/2 928/1 012/1
GA و ANN ، هیبرید HMM 849/0 646/1 377/1 669/0
HMM هیبرید و منطق فازی 779/0 529/1 356/1 405/0
ARIMA 972/0 573/1 504/1 660/0
ANN 972/0 283/2 504/1 660/1
مدل ارائه شده FMAS 630/0 440/1 240/1 420/0
نتایج نشان دهنده آن است که الگوریتم ترکیبی FMAS نتایج مطلوبتری نسبت به پنج الگوریتم رقیب ارائه می نماید.
تحقیقات صورت گرفته در پیش گویی قیمت سهام در بازارهای پول و سرمایه نشان دهنده میزان علاقه مندی محققان به حل مساله پیش گویی در بازارهای پول و سرمایه نه تنها به دلیل تقاضای بالای تحلیل گران و سرمایه گذاران آن بازار بلکه به دلیل پیچیدگی رفتار آن بازار می باشد. تحقیقات بسیار گسترده ای در این زمینه صورت گرفته و نتایج متفاوتی به دست آمده است لکن تاکنون هیچ مدل و یا الگوریتمی که قابلیت تعمیم پذیری آن به اثبات رسیده باشد اعلام نگردیده است.
تصویر کلی به تحقیقات پیشین چنین می نماید که تحقیقات نسل ابتدایی با الگوریتمهای شبیه سازی CITATION Dyc84 l 1065 [8] و CITATION Mal72 l 1065 [9] آغاز گردید و به دلیل حجم محاسبات در زمان تحقیقات و نتایج با عدم قطعیت زیاد اینگونه روشها توسعه نیافتند. نسل دوم تمرکز بر روشهای سری های زمانی داشتند. به مرور زمان عدم کارایی این الگوریتمها به دلیل رفتارهای غیر خطی بسیار زیاد بازارهای سهام آشکار گردید. الگوریتمهای مذکور به نحو مطلوبی قادر به در نظر گرفتن رفتارهای پیچیده سهام نبوده اند و در شرایط آشوب عموما فاقد قطعیت مورد نیاز در پیش گویی بودند.
به مرور زمان نسل سوم تحقیقات، الگوریتمهای هوش مصنوعی و به ویژه ترکیب الگوریتمهای هوش مصنوعی با روشهای سری زمانی (مانند CITATION Kaa96 l 1065 [10]) را به منظور حل مساله پیش گویی قیمت سهام به کار گرفتند. این الگوریتمها توانایی مناسبی در پیشگویی قیمت یا روند سهم نسبت به الگوریتمهای قبلی داشتند. اگر چه این الگوریتمها توانایی بهتری در مواجه با شرایط آشوب و غیرخطی نسبت به مدلهای قبلی داشتند لکن کماکان سطح قابل اطمینانی در مواجهه با شرایط آشوب ارائه نمی نمودند. الگوریتمهای ترکیبی هوش مصنوعی و بهینه سازی تکاملی در نسل چهارم نشان داده اند که به نحو مناسبتری می توانند رفتارهای غیرخطی را در نظر بگیرند. خلاصه یافته های این تحقیق با مرور تحقیقات پیشین به شرح جدول شماره ‏23 می باشد.
جدول شماره STYLEREF 1 s ‏2 SEQ جدول_شماره_ * ARABIC s 1 3: نسل بندی روشهای تحقیق در پیش بینی قیمت سهمنسل اول نسل دوم نسل سوم نسل چهارم
روشهای شبیه سازی روشهای سری های زمانی روشهای هوش مصنوعی و ترکیبی با سری های زمانی روشهای هوش مصنوعی و ترکیبی با الگوریتمهای تکاملی و سری های زمانی
مرور تحقیقات نسل چهارم مشخص می نماید که تمرکز بر الگوریتمهای ژنتیک، بهینه سازی ازدحام ذرات بیش از سایرین می باشد. تعداد بسیاری از تحقیقات سال های اخیر نشان می دهند که الگوریتم های مذکور در بسیاری موارد در پیش بینی های مختلف در حوزه بازارهای پول و سرمایه به کار گرفته شده اند. الگوریتم رقابت استعماری در سال 2007 ارائه گردید و در مواردی مورد وثوق محققان قرار گرفته است. سابقه تحقیقات زیادی در به کارگیری این الگوریتم نسبتا جدید در پیش بینی بازارهای پولی و سرمایه یافت نشد لکن اخیرا در تحقیقاتی مانند CITATION Rez13 l 1065 [11]، کارا بودن این الگوریتم در پیش بینی قیمت سهم مورد بررسی قرار گرفته اند.
2-2 انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشینبا توجه به حجم زیاد داده های مالی که در تحلیل و پیش بینی های قیمت سهام شرکتها در بورس اوراق بهادار به کار گرفته می شود کاهش داده ها از ارزش ویژه ای برخوردار است. تحقیقات بسیاری در حوزه کاهش داده ها با روشهای گوناگون صورت گرفته است و نتایج آنها مورد استفاده های کاربردی قرار گرفته اند.
در تحقیقی CITATION محم84 l 1065 [12] محققان با به کارگیری رگرسیون خطی کلاسیک و خود رگرسیون ناهمسان واریانس شرطی دریافته اند که روز شنبه بازدهی مثبت و معنی دار داشته و در کنار آن روز یکشنبه بازدهی منفی و معنی داری دارد.
تحقیقی دیگر CITATION رضا87 l 1065 [13] بی قاعدگی های غیر تقویمی و بی قاعدگی های تقویمی را طبقه بندی نموده است. بی قاعدگی های غیر تقویمی شامل اثر تجزیه سهم، اثر بازده سود سهام، اثر سود نقدی سهم، اثر سهام با قیمت پایین، اثر معامله محرمانه، اثر انتشار اطلاعات، اثر بیش واکنشی بازار، اثر کم واکنشی بازار، اثر خاص کشور، اثر عرضه اولیه سهم، اثر شاخص، اثر تاخیر در ارائه گزارش سودآوری، اثر سودهای شگفت آور، اثر شرکت از قلم افتاده، اثر قیمت پیش از انتشار اعلامیه سود، اثر بازگشت به میانگین طی دوره بلند مدت بر شمرده شده و اثر چرخش سیاسی، اثر تابستان، اثر روزهای تعطیل یا اثر روزهای قبل از روزهای تعطیل، اثر روزهای آخر هفته، اثر چرخش ماه (نیمه اول ماه)، اثر ماه های خاص سال و

متن کامل در سایت homatez.com