پایان نامه درباره ، الگوريتم، الگوريتمهاي، 1065، CITATION، l، s، چندعامله

قيمت سهام شرکتها را مورد توجه قرار داده و سعي نمودند تا با کمک يک الگوريتم ترکيبي بر اين مشکل واقعي بازار سهام که الگوريتمهاي کلاسيک قبلي قادر به مواجه اثربخش با آن نبودند فائق آيند. روشهاي سري هاي زماني مانند ميانگين متحرك، هموارسازي نمايي و الگوريتم باکس-جنکينز و به دنبال آن شبکه هاي عصبي مصنوعي سعي در به دست آوردن توابع غيرخطي چندمتغيره نموده اند که شبکه هاي عصبي مصنوعي نتايج بهتري ارائه کرده اند. در سالهاي اخير ديده مي شود محققان به منظور افزايش کارايي شبکه هاي عصبي مصنوعي آنها را با الگوريتم هايي مانند الگوريتم ژنتيک در قسمت آموزش وزنها ترکيب مي کنند. از آنجا که الگوريتم يادگيري پيش انتشار خطا کارايي خيلي مناسبي در شرايط آشوب و غير خطي از خود نشان نمي دهد الگوريتمهاي بهينه سازي تکاملي اخيرا در يادگيري شبکه هاي عصبي به کار گرفته شده اند. الگوريتم بت (خفاش)، الگوريتمي بهينه ساز است که بر اساس اين حقيقت که خفاش با ارسال امواجي با فرکانس مشخص و تخمين فواصل با تحليل موج بازگشتي مسير خود را مشخص مي نمايد طراحي شده است. اين الگوريتم در برخي کاربردها به کار گرفته شده و اعتبار آن صحه گذاري گرديده است و نشان داده که در سيستمهاي توام با آشوب و رفتارهاي غيرخطي از قدرت قابل قبولي برخوردار مي باشد.
کارايي الگوريتم مذکور به کمک معيار خطا MAPE محاسبه گرديده و در قياس با سه الگوريتم ديگر 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 ايران سهام بيمه آسيا
شبکه عصبي با 4 نورون 7341/1 6799/2
شبکه عصبي با 6 نورون 7533/1 7104/2
شبکه عصبي رگرسيون تعميم يافته 6938/1 8885/2
مدل بت-عصبي 6037/1 2026/2
همانطور که مشاهده مي گردد کمينه شاخص کارايي در هر دو سهم بر اساس الگوريتم ترکيبي بت-عصبي به دست آمده است.
گونه اي ديگر از الگوريتمهاي به کار گرفته شده در پيشگويي قيمت سهم در بازارهاي پول و سرمايه الگوريتمهاي چندعامله هستند. محققان ديگري CITATION MHF12 l 1065 [7] سيستمي چندعامله براي پيش گويي قيمت سهم در روز بعد با هدف افزايش ( FMAS ) چندعامله فازي چهار لايه قطعيت پيشگويي ارائه نمودند. ايشان بازار سهام را سيستمي پيچيده توضيح داده و اظهار نموده اند براي تصميم گيري هاي سرمايه گذاري در آن نياز به مدلي استوار مي باشد. رويکردهاي چندعامله پيچيدگي سيستم را کاهش مي دهند چرا که سيستم را به اجزاي مستقل کوچکتري تقسيم نموده که هر يک از آنها را با بهترين روش خاص آن حل خواهند نمود و در نهايت حل مساله سيستم پيچيده را به دست مي آورند. معماري سيستم چندعامله ارائه شده در تحقيق مذکور شامل لايه هاي زير مي باشد:
لايه 1: لايه ايجاد متاداده مي باشد که در آن داده هاي سهام از منابع داده بيروني به دست آمده و توسط متخصصان علم داده متاداده آن ايجاد مي گردد.
لايه 2: در اين لايه پيش پردازش داده ها صورت مي گيرد. انتخاب ويژگي ها به کمک تحليل رگرسيون مرحله اي و نيز مدولار نمودن مساله پيش گويي به کمک خوشه بندي با شبکه عصبي مصنوعي SOM در اين لايه صورت مي پذيرد.
لايه 3: اين لايه مسئوليت مدلسازي و ارزيابي آن براي هر يک از خوشه ها به کمک سيستمهاي فازي ژنتيک را به عهده دارد.
لايه 4: در اين لايه تحليل مدل و نمايش دانش انجام مي شود. تحليل حساسيت مدل، دقت پيش گويي و ارائه بهنگام سناريوهاي جايگزين تصميم گيري در فرايندهاي شبيه سازي چه-اگر در اين لايه انجام مي شود.
خروجي هر يک از لايه ها به کمک پروتکل هاي طراحي شده به لايه ديگر منتقل مي شوند. مدل ارائه شده روي داده هاي سهام چهار شرکت کار گرفته شد و کارايي آن با پنج مدل ديگر که قبلا براي پيشگويي قيمت سهام به کار گرفته شده بودند با شاخص خطا MAPE مقايسه گرديد. نتايج مقايسه به شرح جدول شماره ‏22 بوده است.
جدول شماره STYLEREF 1 s ‏2 SEQ جدول_شماره_ * ARABIC s 1 2: مقايسه نتايج پيش گويي مدل ارائه شده با مدلهای ديگرمدل IBM British Airways Ryanair Dell
HMM 219/1 629/2 928/1 012/1
GA و ANN ، هيبريد HMM 849/0 646/1 377/1 669/0
HMM هيبريد و منطق فازي 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
نتايج نشان دهنده آن است که الگوريتم ترکيبي FMAS نتايج مطلوبتري نسبت به پنج الگوريتم رقيب ارائه مي نمايد.
تحقيقات صورت گرفته در پيش گويي قيمت سهام در بازارهاي پول و سرمايه نشان دهنده ميزان علاقه مندي محققان به حل مساله پيش گويي در بازارهاي پول و سرمايه نه تنها به دليل تقاضاي بالاي تحليل گران و سرمايه گذاران آن بازار بلکه به دليل پيچيدگي رفتار آن بازار مي باشد. تحقيقات بسيار گسترده اي در اين زمينه صورت گرفته و نتايج متفاوتي به دست آمده است لکن تاکنون هيچ مدل و يا الگوريتمي که قابليت تعميم پذيري آن به اثبات رسيده باشد اعلام نگرديده است.
تصوير کلي به تحقيقات پيشين چنين مي نمايد که تحقيقات نسل ابتدايي با الگوريتمهاي شبيه سازي CITATION Dyc84 l 1065 [8] و CITATION Mal72 l 1065 [9] آغاز گرديد و به دليل حجم محاسبات در زمان تحقيقات و نتايج با عدم قطعيت زياد اينگونه روشها توسعه نيافتند. نسل دوم تمرکز بر روشهاي سري هاي زماني داشتند. به مرور زمان عدم کارايي اين الگوريتمها به دليل رفتارهاي غير خطي بسيار زياد بازارهاي سهام آشکار گرديد. الگوريتمهاي مذکور به نحو مطلوبي قادر به در نظر گرفتن رفتارهاي پيچيده سهام نبوده اند و در شرايط آشوب عموما فاقد قطعيت مورد نياز در پيش گويي بودند.
به مرور زمان نسل سوم تحقيقات، الگوريتمهاي هوش مصنوعي و به ويژه ترکيب الگوريتمهاي هوش مصنوعي با روشهاي سري زماني (مانند CITATION Kaa96 l 1065 [10]) را به منظور حل مساله پيش گويي قيمت سهام به کار گرفتند. اين الگوريتمها توانايي مناسبي در پيشگويي قيمت يا روند سهم نسبت به الگوريتمهاي قبلي داشتند. اگر چه اين الگوريتمها توانايي بهتري در مواجه با شرايط آشوب و غيرخطي نسبت به مدلهاي قبلي داشتند لکن کماکان سطح قابل اطميناني در مواجهه با شرايط آشوب ارائه نمي نمودند. الگوريتمهاي ترکيبي هوش مصنوعي و بهينه سازي تکاملي در نسل چهارم نشان داده اند که به نحو مناسبتري مي توانند رفتارهاي غيرخطي را در نظر بگيرند. خلاصه يافته هاي اين تحقيق با مرور تحقيقات پيشين به شرح جدول شماره ‏23 مي باشد.
جدول شماره STYLEREF 1 s ‏2 SEQ جدول_شماره_ * ARABIC s 1 3: نسل بندي روشهاي تحقيق در پيش بيني قيمت سهمنسل اول نسل دوم نسل سوم نسل چهارم
روشهاي شبيه سازي روشهاي سري هاي زماني روشهاي هوش مصنوعي و ترکيبي با سري هاي زماني روشهاي هوش مصنوعي و ترکيبي با الگوريتمهاي تکاملي و سري هاي زماني
مرور تحقيقات نسل چهارم مشخص مي نمايد که تمرکز بر الگوريتمهاي ژنتيک، بهينه سازي ازدحام ذرات بيش از سايرين مي باشد. تعداد بسياري از تحقيقات سال هاي اخير نشان مي دهند که الگوريتم هاي مذکور در بسياري موارد در پيش بيني هاي مختلف در حوزه بازارهاي پول و سرمايه به کار گرفته شده اند. الگوريتم رقابت استعماري در سال 2007 ارائه گرديد و در مواردي مورد وثوق محققان قرار گرفته است. سابقه تحقيقات زيادي در به کارگيري اين الگوريتم نسبتا جديد در پيش بيني بازارهاي پولي و سرمايه يافت نشد لکن اخيرا در تحقيقاتي مانند CITATION Rez13 l 1065 [11]، کارا بودن اين الگوريتم در پيش بيني قيمت سهم مورد بررسي قرار گرفته اند.
2-2 انتخاب/ استخراج ويژگي در قيمت سهم در تحقيقات پيشينبا توجه به حجم زياد داده هاي مالي که در تحليل و پيش بيني هاي قيمت سهام شرکتها در بورس اوراق بهادار به کار گرفته مي شود کاهش داده ها از ارزش ويژه اي برخوردار است. تحقيقات بسياري در حوزه کاهش داده ها با روشهاي گوناگون صورت گرفته است و نتايج آنها مورد استفاده هاي کاربردي قرار گرفته اند.
در تحقيقي CITATION محم84 l 1065 [12] محققان با به کارگيري رگرسيون خطي کلاسيک و خود رگرسيون ناهمسان واريانس شرطي دريافته اند که روز شنبه بازدهي مثبت و معني دار داشته و در کنار آن روز يکشنبه بازدهي منفي و معني داري دارد.
تحقيقي ديگر CITATION رضا87 l 1065 [13] بي قاعدگي هاي غير تقويمي و بي قاعدگي هاي تقويمي را طبقه بندي نموده است. بي قاعدگي هاي غير تقويمي شامل اثر تجزيه سهم، اثر بازده سود سهام، اثر سود نقدي سهم، اثر سهام با قيمت پايين، اثر معامله محرمانه، اثر انتشار اطلاعات، اثر بيش واکنشي بازار، اثر کم واکنشي بازار، اثر خاص کشور، اثر عرضه اوليه سهم، اثر شاخص، اثر تاخير در ارائه گزارش سودآوري، اثر سودهاي شگفت آور، اثر شرکت از قلم افتاده، اثر قيمت پيش از انتشار اعلاميه سود، اثر بازگشت به ميانگين طي دوره بلند مدت بر شمرده شده و اثر چرخش سياسي، اثر تابستان، اثر روزهاي تعطيل يا اثر روزهاي قبل از روزهاي تعطيل، اثر روزهاي آخر هفته، اثر چرخش ماه (نيمه اول ماه)، اثر ماه هاي خاص سال و

  • 1
متن کامل در سایت homatez.com

About: admin