مقاله – بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت ۷

در آغاز، جمعیت اولیه که جواب ها را نشان می دهند به صورت تصادفی انتخاب می گردد. هر یک از اعضای این جمعیت که کروموزم نامیده می شود یکی از پاسخ های مسئله می باشد. هر یک از این کروموزم ها از رشته ای از اعداد با طول برابر انتخاب می گردد که هر یک از این اعداد ژن نام دارد. الگوریتم ژنتیک بر اساس تکرار عمل می کند که به جمعیت در هر مرحله ، نسل گفته میشود. هریک از اعضای این نسل بر اساس تابع ارزش ، ارزیابی می شوند. در این الگوریتم ها نسل جدید سعی دارد که ارزش بیشتری از تابع ارزش را به خود اختصاص دهد و با این عملکرد به تابع هدف نزدیک تر گردد. در هر مرحله از تکرار، هر یک از کروموزم ها با احتمال خاصی با یکدیگر عمل تقاطعی انجام می دهند یا به اصطلاح مزدوج می شوند که پیامد آن یک یا چند کروموزم جدید به نام فرزند می باشد.
در این فرزندان ممکن است طبق احتمال خاصی عمل جهش ژنی اتفاق افتد، به این صورت که مقدار یک یا چند ژن از کروموزم تغییر کند. در مرحله آخر فرزندان طبق تابع ارزش، ارزیابی شده و بر اساس ارزش آنها و ارزش والدین یعنی نسل اولیه که این فرزندان را تولید کرده اند نسل جدید تولید خواهد شد. این مراحل تا جایی تکرار میشود که نسل حاضر به جواب بهینه یا یکی از زیر جوابهای بهینه همگرا گردد.(ایبن و اسمیت[۲۲]،۲۰۰۳)
۱-۶-۳-۱: استخراج قانون از شبکهی عصبی با بهره گرفتن از الگوریتم ژنتیک
عیب مهم و اساسی شبکه های عصبی مصنوعی، عدم توانایی در توضیح و تفسیر است.(اندرسون[۲۳] و همکاران،۱۹۹۶) اگر چه شبکه های عصبی در بسیاری از کاربردهای خود، موفقیت آمیز بوده است، اما دانش مربوطه در توابع انتقال و وزن های نرون ها مخفی می شوند.(بولوگنا[۲۴]،۲۰۰۴) به هرحال آنها مشابه جعبه های سیاه ممتد هستند که فهم روش حل یک مسئله توسط شبکه های عصبی را دشوار کرده است.(مانتاس[۲۵] و همکاران،۲۰۰۶) بنابراین اطلاعاتی که توسط شبکهی عصبی برای دست یابی به پاسخ، بکار گرفته شده است، برای کاربران شفاف نیست و ممکن است در برخی موارد مسئله ساز شود(هوانگ و ژینگ[۲۶]،۲۰۰۲).
برای حل این مسئله، محققان مایل بودند که یک تکنیک ملموس و قابل فهم برای شبکه های عصبی ایجاد نمایند.آنها اعتقاد داشتند این هدف می تواند با استخراج قانون تولید شده از شبکه های عصبی بدست آید(هوانگ و ژانگ،۲۰۰۲).
از یک دیدگاه می توان تکنیک های استخراج قانون را به سه دسته تقسیم کرد: تجزیه ای[۲۷]، مبتنی بر آموزش[۲۸] و منتخبان[۲۹]. روش تجزیه ای فعالیت و وزن های لایهی پنهان را تجزیه و تحلیل می کند؛ در مقابل، روش مبتنی بر آموزش، شبکهی عصبی را به عنوان یک جعبهی سیاه در نظر گرفته و قوانین را با توجه به فعالیت ورودی و خروجی بدست می آورد. هدف این روش استخراج قوانین نمادین است به طوری که ارتباط بین ورودی و خروجی را با دقت بدست می آورد. در نهایت، روش منتخبان، از ترکیب اجزای دو روش فوق پیروی می کند(تیکل[۳۰] و همکاران،۱۹۹۷).
در تکنیک استخراج قانون از شبکه های عصبی با الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
۱-۶-۴: روش ترکیبی تبدیل موجک- شبکه عصبی و ARIMA
۱-۶-۴-۱: تبدیل فوریه
همه جا در اطراف ما سیگنالهایی وجود دارند که باید تحلیل شوند. لرزش‌های زلزله، صحبت انسانها، نوسان موتورها، تصاویر پزشکی، داده‌های مالی، موزیک و بسیاری از انواع دیگر از سیگنالهایی هستند که باید به شکل مناسبی کدگذاری شوند، فشرده شوند، نویزهایشان تصفیه شوند، بازسازی شوند، بیان شوند، ساده شوند، متمایز شوند و یا محل یابی شوند. تحلیل موجک[۳۱] یک ابزار جدید و تکنیک مناسب برای این کارها می‌باشد.
تحلیل سیگنال هم اکنون مهمترین دوره مصرف خود را می‌گذراند و شاید یکی از شناخته‌شده‌ترین روش های تحلیل سیگنال تبدیل فوریه باشد. تبدیل فوریه یک سیگنال را به شکل موجهای سینوسی تشکیل‌دهنده‌اش در فرکانس‌های مختلف تجزیه می‌کند. نوعی دیگر نگرش به تبدیل فوریه این است که تبدیل فوریه را یک تکنیک ریاضی برای انتقال دید یا نگاه به سیگنال از حوزه زمان به حوزه فرکانس در نظر گرفت.
شکل ۱-۱: نمایش تبدیل فوریه
تحلیل فوریه دارای یک کاستی جدی می‌باشد. در انتقال یک سیگنال از حوزه زمان به حوزه فرکانس، اطلاعات حوزه زمان سیگنال از دست می‌رود. هنگام نگاه کردن به تبدیل فوریه یک سیگنال غیرممکن است که بتوان گفت درچه زمانی حوادث در سیگنال اتفاق افتاده است. این مسئله در یک سیگنال ایستا[۳۲]مهم نیست (سیگنال ایستا به سیگنالی گفته می‌شود که در طی زمان تغییر زیادی نکند)، اما بسیاری از سیگنالهای مهم و موردتوجه شامل تعداد نامتناهی از سیگنالهای غیرایستا یا گذرا می‌باشد مانند پیشامدها، تغییرات ناگهانی، ابتدا و انتهای زمان رخ دادن حوادث و … . این مشخصه‌ ها اغلب مهمترین قسمت سیگنال می‌باشند. اما متأسفانه تحلیل فوریه برای تشخیص آنها مناسب نیست.
۱-۶-۴-۲: تبدیل موجک
تحلیل موجک قادر به نمایش سیگنال به وسیله یک تکنیک پنجره‌بندی نواحی با سایزهای مختلف می‌باشد. تحلیل موجک امکان استفاده از پنجره‌های زمانی بزرگ را در هنگام نیاز به اطلاعات دقیق در فرکانس‌های پایین و پنجره‌های زمانی کوچکتر هنگامی که نیاز به اطلاعات فرکانس بالاست را مقدور می‌سازد. تحلیل موجک قابلیت آشکارسازی مفاهیم مختلف داده‌ها را دارد که تکنیک‌های دیگر تحلیل سیگنال آنها را از دست می‌دهند. مفاهیمی از قبیل تمایل، نقاط شکست، نشانه، نقاط انفصال و منشاء آنها و … را می‌توان با تحلیل موجک آشکارسازی نمود و این موضوع بدلیل نگاه متفاوت این روش به داده‌ها نسبت به روش های قبلی می‌باشد. تحلیل موجک همچنین قادر به فشرده سازی و نویززدایی سیگنال بدون اینکه افت محسوسی در کیفیت سیگنال ایجاد کند می‌باشد.
آنالیز موجک قادر به تجزیهی سریهای زمانی، در مقیاسهای زمانی مختلف میباشد (این و همکاران[۳۳]، ۲۰۰۸)؛ به طوری که با تحلیلهای فرکانس زمانی، کاربردهای فراوانی را در مدلسازی سریهای زمانی اقتصادی و مالی فراهم آورده (جنسای و همکاران[۳۴]، ۲۰۰۲) و به صورت گسترده در سریهای زمانی غیر ایستا به کار بسته شده است (ناسون و ون ساچس[۳۵]، ۱۹۹۹). در آنالیز موجک، سیگنال به صورت ترکیب خطی از توابع موجک نشان داده میشود (سفتر و همکاران[۳۶]، ۲۰۰۷، ۲۰۰۸)، به طوری که. بر اساس طول داده ها، دو موج اصلی موجک ها وجود دارد: اولین موج، تبدیل موجک پیوسته ([۳۷]CWT)، که برای کار با سریهای زمانی تعریف شده بر روی محور حقیقی کامل طراحی شده است؛ موجک دوم، تبدیل موجک گسسته ([۳۸]DWT) میباشد که در جداسازی سری داده در اجزاء فرکانس متفاوت، به منظور آزمایش عمق سری داده مطالعه میشود (کونلون و همکاران[۳۹]، ۲۰۰۸). مراحل فیلتر کردن یک سیگنال در موجک ها بصورت شکل زیر میباشد:
شکل ۱-۲: مفهوم فیلتر شدن سیگنال توسط موجک‌ها
سیگنال اصلی S از دو فیلتر مکمل می‌گذرد و دو سیگنال از فیلتر‌ها خارج می‌شود. متأسفانه اگر این مراحل بر روی یک سیگنال حقیقی دیجیتال انجام شود با دوبرابر تعداد داده‌ای که با آن آغاز کردیم مواجه خواهیم شد. فرض کنید سیگنال اصلی S شامل ۱۰۰۰ نمونه داده باشد. آنگاه مقادیر تقریبی و جزئی هرکدام شامل ۱۰۰۰ نمونه خواهد بود و مقدار کلی نمونه‌ها ۲۰۰۰ عدد خواهد شد.
برای تصحیح این مسئله مفهوم نمونه‌برداری با نرخ پایین[۴۰] معرفی می‌شود شکل زیر این موضوع را نشان می‌دهد.
شکل ۱-۳: مفهوم نمونه برداری با نرخ پایین
در این تحقیق سری زمانی شاخص قیمت سهام با بهره گرفتن از موجک دبوچی تا سه مرحله تجزیه شد بطوریکه سری هموار شده ازسری توابع جزئیات جدا شد و سپس بر اساس روش ARIMA سری اصلی و سری توابع جزئیات با بهره گرفتن از شبکه عصبی پیش بینی شد.
۱-۷: ابعاد کلی تحقیق
۱-۷-۱: روش تحقیق
تحقیق از نظر هدف (از نظر دلیل انجام): توصیفی- تحلیلی
فرایند، روش جمع آوری و تحلیل داده ها: کمی
منطق استنتاج: استقرایی
تحقیق از نظر هدف(نتایج) : کاربردی
روش و ابزار گرآوری اطلاعات (جمع آوری داده ها): میدانی
روش و ابزار گرآوری اطلاعات (درمورد ادبیات تحقیق): کتابخانه ای
از آنجایی که در این تحقیق امکان دستکاری متغیرهای مستقل جهت مشاهده اثرات این تغییرات در متغیر وابسته برای محقق وجود ندارد، این نوع تحقیقات را میتوان در طبقه تحقیقات نیمه تجربی یا شبه تجربی قرار داد.
۱-۷-۲: جامعه و نمونه آماری تحقیق
سری زمانی داده های روزانه شاخص قیمت بورس اوراق بهادار تهران از سال ۱۳۸۴ لغایت ۱۳۸۹ به عنوان جامعه آماری تحقیق انتخاب گردیده است. داده های مزبور از سایت سازمان بورس و اوراق بهادار تهران استخراج گردیده است. همچنین متغیرهای مستقل استفاده در تحقیق که با توجه به مطالعات صورت گرفته در این زمینه به شرح زیر انتخاب گردید:
قیمت جهانی طلا (GP)، میانگین قیمت نفت ایران (OP)، نرخ دولتی دلار آمریکا (USD) و شاخص S&P500 بورس آمریکا به عنوان نماد بورس جهانی برای دوره مورد مطالعه انتخاب گردید.
۱-۷-۳: جنبهی نوآوری تحقیق
تحقیقی با چنین محتوا و عنوانی تا به حال در ایران به انجام نرسیده است.
این تحقیق کمک میکند تا دریچه جدیدی از اطلاعات مورد نیاز، جهت رسیدن به اهداف اقتصادی که همان تخصیص بهینه منابع است، باز شود، تا عوامل درگیر و تصمیم گیران حول این مقوله با بکارگیری تکنیکهای کارا و مناسب و ترکیب دو تکنیک خطی و غیر خطی بتوانند تصمیمات خویش را با دقت و اطمینان بیشتری اخذ نمایند.
همچنین معرفی روشی جدید برای پیش بینی شاخص های بازارهای مالی برای اولین در مطالعات و پژوهش های کاربردی و دانشگاهی می باشد.

این مطلب را هم بخوانید:   بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت ۸
برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.