« آیا بازار سهام ملی لیتوانی در سطح ضعیف کارا می باشد ؟»
کویشیوس برای پاسخ دادن به پرسش مطرح شده، اهمیت بازده تصمیمات اتخاذ شده مبتنی بر پیش بینی شبکه های عصبی از دو شاخص LITIN (شامل سهام های با ویژگی نقد شوندگی بالا) و شاخص LITIN-G ( شامل کل سهام های موجود در بازار) را بعد از مد نظر قرار دادن هزینه معاملات، مورد بررسی آماری قرارداده است . در اینجا، او هریک از شاخص های فوق را به عنوان یک دارایی مدنظر قرار داده است .
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

محدوده داده های مورد استفاده در این تحقیق شامل اعداد شاخص های فوق برای دوره ژانویه ۱۹۹۹ الی پایان اکتبر ۲۰۰۲ بوده است که حدود ۷۰۰ داده (۷۰%) به عنوان داده های آموزش شبکه و۲۵۳ عدد بعدی (۳۰%) برای آزمون شبکه مورد استفاده قرار گرفته است . در تحقیق مذکور از سه ساختار شبکه عصبی متفاوت به شرح زیر استفاده شده است :
مدل ۱-۵-۴(چهار ورودی ، پنج میانی و یک خروجی )
مدل ۱-۲-۳ ( سه ورودی ، دو لایه میانی و یک خروجی )
مدل ۱-۱-۳( سه ورودی ، یک لایه میانی و یک خروجی)

همچنین جهت آموزش شبکه از الگوریتم یادگیریLeven-Marquerdt استفاده شده و ابزار پیاده سازی شبکه نرم افزار Matlab6.5 محصول Math Work Inc (2002) شرکت بوده است . تابع فعالیت استفاده شده در شبکه تابع سیگمویید یا تانژایت هایپر بولیک می باشد .
محقق در این تحقیق بازده تصمیمات اتخاذ شده مبتنی بر شبکه های عصبی را (با فرض در اختیار داشتن یک سرمایه ثابت ) با بازده استراتژی خرید ونگهداری مقایسه نموده است . در خصوص تصمیم گیری مبتنی بر پیش بینی شبکه عصبی وی چهار آستانه تصمیم گیری ۱%، ۳%،۵%و۱۰% را همراه با چهار سطح از هزینه معاملات ۰%۱% ، ۲۵% و۵% تعریف نموده است . تعداد دفعات پیش بینی برای هر شاخص ، هر شبکه ، هر سطح از آستانه وهر سطح از هزینه معاملات ۱۰ بار تکرار گردیده است . لذا کل داده های پیش بینی شده برابر ۹۶۰(۱۰*۴*۴*۳*۲) بوده است . با توجه به اینکه تعداد دفعات پیش بینی کوچک تر از ۳۰ بوده است از آزمونt استیودنت جهت آزمون فرضیه استفاده نموده است .
نتیجه تحقیق : نتایج تحقیق فوق نشان می دهد که بازده تصمیم گیری مبتنی بر شبکه های عصبی در همه موارد به جز یک مورد ( پیش بینی شاخصLITTIN-G با بهره گرفتن از شبکه ۱-۲-۳ وآستانه تصمیم ۱% با سطح هزینه معاملات ۲۵./% ) به طور معنی داری بالاتر از بازده استراتژی خرید ونگهداری بوده است .
یون واسویلز از اساتید دانشگاه میسوری برای پیش بینی قیمت سهام از یک شبکه عصبی چهار لایه با روش یادگیری پس انتشار خطا استفاده نمودند که نتیجه آن به میزان قابل توجهی بهتر از روش سنتی بود . در این تحقیق داده های به دو گروه تقسیم شده بود و نتایج حاصل از آن نشان می داد که در مرحله یادگیری در حالیکه دقت روش سنتی ۷۴% بوده است ، دقت شبکه عصبی ۹۱% می باشد . همچنین در مرحله آزمون یا تست نیز دقت این دو روش به ترتیب ۶۵% و۵/۷۷% می باشد .
جینگ تایو یایو وهین لی پوه از دانشگاه ملی سنگاپور با بهره گرفتن از یک شبکه عصبی پس انتشار پیش بینی شاخص کل بورس کوالالامپور را مورد مطالعه قراردادند. ونشان دادند که با بهره گرفتن از شبکه های عصبی می توان به پیش بینی هایی با دقت ملاحظه دست یافت .
پژوهش دیگری در خصوص کاربرد شبکه های عصبی در پیش بینی شاخص سهام ، توسط چن ، لیونگ و دایوک(۲۰۰۲) درخصوص بازار نوظهور تایوان انجام گردیده است . هدف آنها در حقیقت پیش بینی جهت حرکت شاخص بازار بورس تایوان بود. همچنین آنها به جای استفاده از سری زمانی خود شاخص ، از عوامل اقتصادی مانند نرخ بهره کوتاه مدت ، نرخ بهره اوراق قرضه دولتی ، نرخ رشد تولید ناخالص داخلی وشاخص قیمت سبد مصرف کننده به عنوان داده های ورودی به مدل ، استفاده کردند. در تحقیق فوق از سه مدل شبکه عصبی احتمالی مدل GMM همراه با کالمن فیلتر ومدل گام تصادفی ، به منظور پیش بینی استفاده گردیده است ونتایج آنها با یکدیگر مورد مقایسه قرار گرفته است . نتایج این تحقیق نیز حکایت از کارایی بیشتر شبکه های عصبی در پیش بینی شاخص بورس تایوان نسبت به دو مدل دیگر، دارد .
این نویسندگان در سال ۲۰۰۰ نیز پژوهش دیگری با هدف مقایسه مدل های پیش بینی سطح ومدل های پیش بینی جهت حرکت شاخص ، انجام داده بودند . هر چند آنها نتیجه گرفته اند که مدل استفاده شده به منظور پیش بینی جهت حرکت شاخص بازده بیشتری را به دست داده اند نکته قابل توجه در نتایج ارائه شده آنها این است که در هر دو گروه مدل ، بازده شبکه های عصبی نسبت به سایر تکنیک ها بهتر بوده است.
مطالعه دیگری توسط خان هوانگ ولین در سال ۲۰۰۲ با عنوان «آیا مدل نروفازی می تواند شاخص های سهام را بهتر از روش های پیشین، پیش بینی کند ؟» انجام شده است در این تحقیق بازده شاخص های KD، مبتنی بر استراتژی خرید ونگهداری و تصمیم گیری مبتنی بر پیش بینی حاصل از مدل های GARCH-M، شبکه های عصبی وسیستم های عصبی فازی مورد مقایسه قرار گرفته است . نتایج این تحقیق نشان می دهد که نرخ بازده حاصل از تصمیم گیری مبتنی بر پیش بینی شبکه های عصبی وسیستم های عصبی فازی به طور معنی داری بزرگتر از نرخ های بازده حاصل از سایر روشها می باشد و آنها پیشنهاد کرده اند در شرایطی که بازار از کارایی به دور است می توان برای کسب بازدهی بیشتر از این مدل ها سود جست .
به دلیل تشابه مطلب از ذکر سایر تحقیقات انجام شده خودداری می کنیم وتوجه خود را به دو نکته معطوف می داریم نخست آنکه در اکثر پژوهش های انجام شده در زمینه پیش بینی بازار سرمایه با شبکه های عصبی ، از شبکه پس انتشار که قابلیت بالایی در تحلیل سیستم های پویا دارد استفاده شده است واین خود دلیلی بر این امر بوده است که در این تحقیق نیز از این شبکه استفاده نماییم . نکته دوم آنکه در همه مقالات فوق ، تلاش پژوهشگران بر آن بوده است تا تنها با در دست داشتن اطلاعات مربوط به ویژگی مورد مطالعه در گذشته ، وضعیت آینده متغیر مربوط را پیش بینی کنند که این خود حکایت از تازگی موضوع تحقیق می نماید .
ب ) تحقیقات انجام شده در ایران
در زمینه استفاده از شبکه های عصبی در مسایل بازار سهام وبورس در ایران تحقیقاتی انجام شده است که به عنوان نمونه موارد زیر ذکر می گردد :

1. 1. مدلسازی غیرخطی و پیش‌بینی رفتار قیمت سهام در بازار بورس تهران،حمید خالوزاده؛ به راهنمایی: علی خاکی‌صدیق.

رساله حاضر تحت عنوان ”مدلسازی غیرخطی و پیش‌بینی رفتار قیمت سهام در بازار بورس تهران” به دو قسمت قابلیت پیش‌بینی (یا پیش‌بینی‌پذیری) و پیش‌بینی تفکیک شده است.
الف-پیش‌بینی‌پذیری (قابلیت پیش‌بینی): سه روش عمده به عنوان روش های آزمون پیش‌بینی‌پذیری قیمتها (بازده) معرفی و اعمال شده است .
الف - ۱: تحلیل، تغییر مبنای حوزه تغییرات سری زمانی (R/S) بر پایه تحلیل R/S، تشخیص یک سری زمانی تصادفی از یک سری غیرتصادفی، بدون درنظر گرفتن توزیع آن (اعم از گوسی و یا غیرگوسی) امکان‌پذیر می‌گردد. تحلیل R/S یک روش آماری مقاوم است که به کمک آن می‌توان طول متوسط دوره‌های گردش را در سری زمانی مربوطه اندازه‌گیری کرد.
الف - ۲: تحلیل، تخمین بعد همبستگی: یکی از مهمترین روش های آزمون پیش‌بینی‌پذیری قیمتها، تحلیل غیرخطی تخمین بعد همبستگی فرایند مولد آنهاست، روش تخمین بعد همبستگی معیاری برای آزمون نظریه آشوب در یک فرایند سری زمانی است . با این روش ، بعد همبستگی فرایند مولد قیمت (بازده) سهام شرکت شهد ایران محاسبه می‌گردد، مقدار بدست آمده پدیده آشوب را در فرایند مولد قیمت (بازده) نشان می‌دهد و همچنین فرایند سری زمانی مربوط را از یک فرایند تصادفی و اتفاقی متمایز می‌کند.
الف - ۳: تحلیل، تخمین بزرگترین نمای لیاپانوف : در این روش، سعی بر بازسازی ساختار دینامیکی فرایند مولد سری زمانی با بهره گرفتن از داده‌های تاخیر یافته می‌گردد. سپس میزان انقباض و یا انبساط جهت های مختلف در فضای بازسازی شده اندازه‌گیری می‌گردد. نمای مثبت نشانگر آن است که مسیرهای حالت نزدیک به هم با گذشت زمان از یکدیگر واگرا و دور می‌شوند و تفاوت کوچکی در شرایط اولیه، اختلاف زیادی را در طول زمان بوجود می‌آورد، بنابراین وجود شرایط نادقیق اولیه، پیش‌بینی‌های بلند مدت نادرستی را به همراه خواهد داشت .
ب - پیش‌بینی: روش های پیش‌بینی مورد استفاده در رساله به سه دسته زیر تقسیم شده‌اند:
ب - ۱: روش های پیش‌بینی براساس مدلهای خطی: از ساختار (ARIMA (p, d, q برای مدلسازی خطی استفاده شده است ، و پیش‌بینی قیمت و بازده سهم صورت گرفته است . علیرغم عملکرد خوب مدلهای خطی بدست آمده در پیش‌بینی قیمت (بازده) روز بعد و خطای کوچک این مدلها، حساسیت مدلها نسبت به حالتهای اولیه بسیار بالا بوده، و این امر موجب عملکرد ضعیف و عدم کارایی مدلهای خطی ARIMA در فرایند پیش‌بینی دراز مدت است .
ب - ۲: روش های پیش‌بینی براساس مدلهای غیرخطی (شبکه‌های عصبی غیرخطی): استفاده از شبکه‌های عصبی برای انجام نگاشت و تقریب توابع و نهایتا مدلسازی فرآیندهای دینامیکی در واقع تعمیمی بر تحلیل رگرسیون و آمار کلاسیک است . از تکنیکهای مدلسازی براساس شبکه‌های عصبی برای مدلسازی رفتار قیمت سهام به صورتهای مختلف استفاده شده است . در نهایت ساختاری برای پیش‌بینی دراز مدت ارائه گردیده است .
ب - ۳: روش های پیش‌بینی براساس مدل معادلات دیفرانسیل تصادفی: مدل تصادفی مورد استفاده برای بیان فرایند قیمت ، دارای دو جمله می‌باشد، جمله‌ای دال بر متوسط تغییرات بازده در هر لحظه و جمله دیگر مبین نوسانات لحظه‌ای فرایند مولد قیمت ، با بهره گرفتن از ریاضیات مخصوص به حل معادلات دیفرانسیل اتفاقی (انتگرال Ito)، قیمت سهم پیش‌بینی می‌شود. هدف از این قسمت معرفی روش های معادلات دیفرانسیل و کاربرد آن در مقوله پیش‌بینی سریهای زمانی قیمت است .
۲- کاربرد شبکه های عصبی در پیش بینی شاخص صنعت تحت تاثیر متغیرهای کلان اقتصادی،حسین تیموری؛ به راهنمایی: عزیزا… معماریانی؛ استاد مشاور: محمدرضا امین ناصری.
استفاده از شبکه های عصبی در مسایل پیش بینی و تصمیم به ویژه در عرصه اقتصاد، در طی دو دهه اخیر گسترش قابل ملاحظه ای یافته است. آنچه که در این پروژه بدان پرداخته می شود، تلاشی است در جهت برقراری یک رابطه منطقی بین چند متغیرکلان اقتصادی و شاخص صنعت خودروسازی در بازار بورس با بهره گرفتن از شبکه عصبی و تبیین میزان همبستگی شاخص با این متغیرها.شبکه پیشنهادی یک شبکه پس انتشار است که دارای یک لایه پنهان با پنج گره است. ابتدا به تعریف شاخص و مبانی شبکه های عصبی پرداخته ، سپس مروری بر ساختار داده ها و حل مسأله با بهره گرفتن از روش رگرسیون پرداخته می شود. روش رگرسیون در مرحله یادگیری پاسخ مناسبی ارائه می کند اما در مرحله آزمون بدلیل تغییر شرایط حاکم بر روند تغییرات شاخص، پاسخهای این روش دارای خطای بسیار زیادی است. اما شبکه عصبی پیشنهادی که دامنه پیش بینی آن تا سه هفته است ، تا حدود زیادی این مشکل را برطرف کرده است. بطوریکه میانگین نسبت خطای کل از ۳۰ درصد در رگرسیون به هفت درصد در شبکه عصبی کاهش یافته است. اما جالبترین نتیجه در مرحله آزمون به دست آمده است. در حالیکه میانگین نسبت خطای داده های مرحله آزمون ، در روش رگرسیون بیش از ۷۳ درصد است، این رقم در شبکه عصبی کمتر از هفت درصد است. در انتهای تحقیق پس از بررسی تاثیر نوسانات پارامترهای شبکه در جواب حاصل از شبکه ، به نتیجه گیری پرداخته می شود.
۳-پیش بینی قیمت سهام شرکت ایران خودرو با شبکه عصبی،محمدرضا عباس پور؛ به راهنمایی: محمد رضا امین ناصری ؛ استاد مشاور: ذگردی.
دراین تحقیق ابتدا به وسیله آزمون گردش امکان پیش بینی قیمت سهام شرکت ایران خودرو بررسی گردید . سپس از شبکه های عصبی برای پیش بینی یک دو و هفت روز بعد قیمت سهام استفاده شد . به علت نوسانات شدید موجود در داده های قیمت سهام شرکت ایران خودرو روش خاصی برای انتخاب مجموعه تست و آموزش به کار گرفته شد و در نتیجه قدرت برازش مدل شبکه به مراتب بهبود یافت .
همجنین تاثیر انواع توابع تبدیل برای لایه مخفی وخروجی انواع الگوریتم های یادگیری انواع ساختارشبکه از لحاظ تعداد گره های ورودی و مخفی و چهار متغیر بنیادی و فنی ، نرخ ارز ، قمیت نفت ، ‏‎p/e‎‏ وحجم مبادلات سهام برعملکرد شبکه مورد بررسی قرارگرفت و آنها که در بهبود مدل شبکه موثر بودند در مدل نهایی لحاظ گردیدند و درنهایت بهترین مدل شبکه برای پیش بینی حالات مختلف ارائه گردید . در خاتمه به مدل سازی خطی قیمت سهام شرکت به وسیله دو روش هموارسازی نمایی و باکس جنکینز پرداخته شد. نتایج بدست آمده نشان داد که پیش بینی به وسیله شبکه عصبی به مراتب بهتر از روش های خطی عمل می نماید.

روش تحقیق

مقدمه

پژوهش علمی تلاشی است نظامدار برای پاسخ دادن به پرسشهای خاصی که حل شدنی باشد، اما جواب دادن به آنها به سرعت و فوری امکان پذیر نیست(هومن،۱۳۷۴) . با آنکه همه شاخه های علوم ، متفاوت از یکدیگرند و فنون پژوهش علمی نیز ممکن است از یک علم به علم دیگر ، به گونۀ قابل ملاحظه ای متفاوت باشد، اما ساختار همه آنها متکی به یک نظام منطقی است و در همه آنها یک فسلفه مشترک به نام «روش علمی» وجود دارد . در این فصل روش انجام تحقیق تشریح خواهد شد. بعد از این مقدمه نحوه جمع آوری و آماده سازی داده ها و به دنبال آن نحوه مدل سازی شبکه عصبی و روشARIMA و رگرسیون چند متغیره جهت انجام پیش بینی شاخص پنجاه شرکت برتر بورس تهران تشریح خواهد شد و در پایان نحوه آزمون نتایج و معیار ارزیابی مدل های فوق جهت پذیرش یا رد فرضیه بیان می گردد. همانگونه که در فصل اول ذکر شد موضوع پژوهش حاضر عبارتست از :
« پیش ­بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از شبکه های عصبی»

لذا سوال اصلی تحقیق این است که آیا می توان شاخص پنجاه شرکت برتر را با بهره گرفتن از شبکه های عصبی پیش بینی نمود یا خیر ؟ همانطور که در پیشینه تحقیق ذکر گردید در اکثر تحقیقات مشابه نتایج مدل شبکه های عصبی با یک یا چند مدل پذیرفته شده دیگر مقایسه می گردد. در این تحقیق از مدل رگرسیون و خصوصاً مدل ARIMA برای ارزیابی مدل شبکه عصبی استفاده می گردد . علت استفاده از این مدل جهت مقایسه و ارزیابی نتایج مدل شبکه عصبی این است که این مدل یکی از مدلهای پذیرفته شده در خصوص مسایل پیش بینی متغیرهای اقتصادی و مالی می باشد و همانطور که در فصل دوم عنوان گردید تنها مدلی می باشد که متغیر مورد نظر را با بهره گرفتن از سری زمانی خود متغیر پیش بینی می نماید و ما نیز در این تحقیق شاخص پنجاه شرکت برتر را با بهره گرفتن از سری زمانی تاریخی آن پیش بینی می کنیم . با توجه به مطالب فوق فرضیه تحقیق به شرح زیر تدوین گردیده است:
خطای پیش بینی حاصل از مدل شبکه های عصبی کمتر از خطای پیش بینی حاصل از مدل ARIMA و رگرسیون چند متغیره می باشد.
مقصود از خطای پیش بینی، ریشه دوم میانگین مربعات خطای پیش بینی ^[۲۹]( RMSE) در هر مدل می باشد .

نحوه جمع آوری وآماده سازی داده ها

داده های مورد استفاده در این تحقیق ارقام شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران از تاریخ ۰۸/۰۴/۱۳۷۱ الی ۰۹/۰۳/۱۳۸۶ می باشد که با بهره گرفتن از نرم افزار ره آورد نوین تهیه گردید . تعداد کل ارقام شاخص برای این دوره ۳۶۱۳ عدد بوده است . علت استفاده از این دوره زمانی در وهله اول به خاطر در دسترس بودن و جدید بودن داده ها می باشد و همچنین مقدار داده ها به اندازه کافی زیاد باشد که بتوان با آنها هم شبکه عصبی را آموزش داد و هم آزمایش نمود. نمودار روند شاخص پنجاه شرکت برتر بورس تهران را دوره مذکور نشان می دهد .