متن کامل – بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- …

و … سری های زمانی هستند که فرض می شود بر یکدیگر اثر متقابلی ندارند و به نوعی در تغییرات سری زمانی خروجی سیستم موثرند. بنابراین از ترکیب مقادیر این سری در زمان های مختلف، میزان مقدار سری خروجی را در هر لحظه دلخواه t تخمین زد. ترکیب کننده ای هم در درون سیستم مفروض است که انتقال از مقادیر ورودی و خروجی را انجام می دهد که به آن تابع انتقال می گویند.
در صورتیکه عوامل موثر بر ایجاد سری زمانی خروجی را نشناسیم و یا اگر عوامل معلومند ولی داده های آنها موجود نباشد، برای مدل بندی سیستم، سری زمانی فرضی را که برایند همه عوامل موثر بر ساخت سری زمانی ورودی است جایگزین این عوامل می کنیم.
۲-۲-۸-۴: روش های هوشمند
این روشها از یادگیری استقرایی استفاده می کنند. همه این روشها از یک مجموعه داده برای ایجاد تقریب تابع مولد آنها بهره می گیرند. این روشها شامل سه گروه اصلی میباشند:

  • روش های بر اساس شبکه های عصبی (NNs)
  • روش های فازی
  • روش های مبتنی بر محاسبات تکاملی

روش های مبتنی بر محاسبات تکاملی به سه گروه اصلی تقسیم می شوند که عبارتند از:

  • الگوریتم های ژنتیک (GAs)
  • برنامه ریزی تکاملی (EP)
  • برنامه ریزی ژنتیک (GP)

لازم به ذکر است که از برنامه ریزی ژنتیک، شبکه های عصبی و برنامه ریزی تکاملی برای ساخت مدل های پیش بینی غیر خطی استفاده می کنند؛ در حالی که الگوریتم ژنتیک را برای میزان کردن پارامترهای بعضی مدل های پیش بینی خطی، غیر خطی و آماری بکار می برند.(واگنر[۵۶] و همکاران،۲۰۰۶)
۲-۲-۸-۵:جمع بندی روش های پیش بینی
همانطور که قبلا تعریف شد؛ سری زمانی مجموعهای از مشاهدات است که بر حسب زمان مرتب شدهاند(فاطمی،۱۳۷۵) و پیشبینی بارزترین مورد استفاده از سریهای زمانی میباشد، بطوریکه در صنعت و اقتصاد از اهمیت زیادی برخوردار است.
در مدلهای علی و معلولی از رابطه بین سری زمانی مورد نظر و یک یا چند سری زمانی دیگر بهره میجویند. اگر این متغیرهای اخیر با متغیر مورد نظر دارای همبستگی باشند و برای این همبستگی ظاهرا علتی وجود داشته باشد، می توان یک مدل آماری که توصیف کننده این رابطه باشد، بنا کرد سپس با دانستن مقادیر متغیرهایی که به یکدیگر همبسته شدهاند، می توان از مدل استفاده تا متغیر غیر مستقل را پیشبینی کرد. یک محدودیت آشکار برای استفاده از مدلهای علت و معلولی نیاز به این امر است که متغیرهای مستقل در زمانی که پیش بینی به عمل میآید معلوم باشند. یکی از مناسبترین روش های سری زمانی استفاده شده مدل ARIMA میباشد، در حال حاضر در این مدل روش مناسبی وجود ندارد که به محض اینکه مشاهدهی جدیدی در دسترس قرار گرفت، تخمین پارامترهای مدل را اصلاح یا به روز نماید و پژوهشگر ناگزیر است بطور کامل مدل را برازش نماید. و همچنین ما باید فرض نماییم که تکامل آینده سری زمانی با گذشته یکسان خواهد بود، یعنی شکل مدل با زمان تغییر نخواهد نمود. عدم امتیاز نهایی مدلهای ARIMA سرمایهگذاری مورد نیاز در زمان یا سایر منابع برای ساختن یک مدل رضایت بخش است، ولی این مدلها بخصوص برای سریهای زمانی ای که در فاصلهی نمونهگیری خیلی کوچکند، بدیل اینکه تاریخ نسبتا طولانی یی را به آسانی میتوان تهیه کرد به نحو شایستهای مناسبند.(فاطمی،۱۳۷۵)
شبکه های عصبی مصنوعی در واقع یک سیستم داده ÷ردازی اطلاعات هستند و دارای خصوصیات اجرایی خاص مانند شبکه های عصبی جانوری است. همچنین این روشها از جمله مدلهای تابع انتقال بوده که کاربرد وسیعی پیدا کردهاند، این مدلها بطور طبیعی از زمینه هایی ناشی میشوند که یک ساختار همبسته کننده یا ساختار علی بین متغیرهایی که بطور موقت یا بطور مداوم با هم مرتبط بودهاند، وجود دارد. مدلهای تابع انتقال فرض میکنند که ورودی متغیر را تحت تاثیر قرار میدهند؛ اما این رابطه تک سویی است، یعنی روی تاثیری ندارد. این موضوع میتواند در عمل غیر واقعی باشد.(مصطفی کیا،۱۳۸۸)
روش های تحلیل رگرسیون اماری غیر خطی شبیه شبکه های عصبی است. تجربه های زیادی موجب شده است که روش های نگاشت توسط شبکه های عصبی با بهترین روش های رگرسیون غیر خطی قابل مقایسه باشند. روش های شبکه عصبی نسبت به روش های رگرسیون خطی برای فضاهایی با ابعاد بالا ارجحیت دارد.
مهمترین امتیاز شبکه های عصبی جهت نگاشت نسبت به روش های رگرسیون آماری کلاسیک این است که شبکه های عصبی شکل تابعی عمومی تری را نسبت به روش های آماری کلاسیک دارند بعنوان مثال در تحلیلهای فوریه نمونه های یادگیری به شکل امواج سینوسی و بصورت مضاربی صحیحی از فرکانس، برای محاسبه یک تابع بکار میروند. در محاسبات عصبی شبکه های عصبی نمونه های یادگیری را جهت تنظیم دقیق دامنه، فاز و فرکانس بکار میبرد و موجب افزایش چشمگیر دقت تابع می شود. شبکه های عصبی از جمع آثار خطی پیروی نکرده و همچنین انحصارا از توابع متعامد استفاده نمی کنند. در تحلیل های رگرسیونی آماری توابع خطی برازشی می توانند توابعی غیر خطی از اطلاعات ورودی باشند ولی تنها از توابع خطی نسبت به پارامترها استفاده میگردد. در رگرسیون آماری غیر خطی توابع برازش می توانند هم نسبت به اطلاعات ورودی و هم نسبت به پارامترها غیر خطی باشد.(خالوزاده،۱۳۷۷)
شبکه های عصبی مصنوعی اصلا میتواند بعنوان یک روش رگرسیون غیر خطی بکار رود. تفاوت اساسی دیگر بین شبکه های عصبی و رگرسیون در این است که معمولا در تحلیلهای آماری ساختار داخلی شبکه های عصبی ناشناخته باقی میماند، یعنی ساختار داخلی آن نامعلوم باقی میماند و مانند یک جعبه سیاه ممتد عمل میکند، ولی نتایج آن در بسیاری از موارد مفید میباشد. ساختارهای شبکه های عصبی معمولا موقتی است وای راهنمائیهایی برای برازش با یک مدل آماری میتواند ارائه نمایند.(هاپتوف[۵۷]،۱۹۹۳ و تانگ[۵۸]،۱۹۹۱)
لذا بسیاری از شبکه های عصبی از نظر عملکرد معادل رویه های استاندارد آماری هستند به عنوان مثال شبکه های پروسپترون تعمیمی از مدلهای خطی هستند.(مصطفی کیا،۱۳۸۸)
۲-۲-۹: شاخص قیمت سهام
شاخص بهای سهام در اقتصاد هر کشوری یکی از اساسی ترین متغیر های کلان اقتصادی است؛ به گونه ای که رشد متعادل و مداوم این شاخص به معنای رشد و رونق اقتصادی کشور استدو برعکس، کاهش مداوم آن نشان از رکود اقتصاد دارد و تغییرات انفجاری و پیوسته آن (در جهت بالا و پایین) گویای بی ثباتی شرایط اقتصادی جامعه است.
همانگونه که در هنگام خرید کالا نخستین پرسش از مغازه دار بهای کالاست، سرمایه گذار نیز هنگام خرید سهام، به یکی از نخستین نکاتی که توجه دارد، تغییرات بهای سهام است.
هر سرمایه گذاری در هنگام خرید سهام مهمترین مسئله ای را که در نظر می گیرد، تغییرات قیمت آن سهام می باشد. لذا لازم است که از نماینده ای جامع از عملکرد بازار به عنوان شاخص قیمت استفاده نماید. تغییرات قیمت هر سهم میتواند ناشی از دو عامل باشد، یکی شرایط ویژه ایست که بر قیمت آن سهم بخصوص تاثیر می گذارد، مثلا مدیریت بهینه و کارا در سازمان، افزایش سرمایه و سودآوری و … و دیگری عوامل تاثیر گذار بر کل بازار سهام می باشد، که این عامل به عنوان ریسک بازار شناخته می شود، تغییرات مداوم و ناهمگون شاخص نماینگر افزایش ریسک در بازار می باشد و می دانیم که سرمایه گذاران ترجیح می دهند در یک بازار آرام و مطمئن که سیر مشخصی دارد سرمایه گذاری کنند، زیرا عموما سرمایه گذاران ریسک گریز هستند و افزایش ریسک در بازار سرمایه موجب کاهش سرمایه گذاری در آن می شود.
ارزیابی یک سبد فرضی از کل سهام یک بازار مالی کار بسیار دشواری است، لذا نماینده ای به عنوان شاخص جهت آشکار سازی روند حرکت بازار، در اختیار سرمایه گذاران گذاشته شده است تا بتوانند با کمک آن در خرید سهام تصمیمات بهتری اتخاذ نمایند.
۲-۲-۱۰: تعریف شاخص
شاخص از لحاظ لغوی به معنای نماینده، نشان دهنده و نمودار می باشد، و وسیله ایست جهت تشخیص و یا تمایز بین دو متغیر، اما از لحاظ آماری کمیتی است که به صورت نسبی تغییرات را در گروه های مختلف بیان می کند.
شاخص بطور کاربردی به عنوان نماینده ای از بین کمیت های همگن می باشد و می تواند میزان و جهت تغییر این کمیت ها را بطور نسبی اندازه گیری کند، شاخص بر حسب مقدار آن در یک زمان پایه سنجیده می شود که این مقدار پایه را عموما ۱۰۰ فرض می کنند، بنابراین بر مبنای شاخص می توان تغییرات ایجاد شده در متغیرهای معینی را در یک دوره بررسی نمود.
۲-۲-۱۱: فواید شاخص
در یک نظام اقتصادی کارا می بایست اطلاعات مفید و هر چند مختصر و قابل اعتماد از کل حرکت بازار در اختیار سرمایه گذاران قرار بگیرد. از روی اعداد شاخص تغییرات احتمالی در آینده را می توان پیش بینی کرد.
شاخص ها ابزاری برای مقایسه کردن تغییرات یک پدیده در دو زمان متفاوت هستند و می توان تغییرات گروهی چند پدیده را با هم مقایسه نمود. با شاخص، قیمت های صنایع مختلف را با یکدیگر مقایسه کرد.
هر شاخصی محتوای اطلاعاتی از حوزه های مختلف و وسیع می باشد و لذا می تواند بازتاب خوبی از شرایط اقتصادی آن حوزه باشد و می توان از آن به عنوان نمادی برای پیش بینی عملکرد فعالیت های اقتصادی در آینده استفاده نمود.
۲-۲-۱۲: شاخص قیمت بورس تهران

این مطلب را هم بخوانید:   اثر تنش آبی، زئولیت و محلول پاشی اسید سالیسیلیک بر برخی صفات زراعی و فیزیولوژیکی گلرنگ ...

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.