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

مهدوی و بهمنش(۱۳۸۴) در تحقیق خود از شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام شرکت سرمایه گذاری البرز استفاده نمودند. نتیجه حاصل از مدل طراحی شده نشان می دهد که اگر یک شبکه عصبی مصنوعی درست آموزش ببیند می تواند روابط بین متغیرها را (هر چند پیچیده و غیرخطی) شناسایی کرده و در پیش بینی قیمت سهام شرکتهای سرمایه گذاری با حداقل خطا (در این تحقیق۰۴۴/۰) موثر واقع شود.
طالبی (۱۳۸۴) در پایان نامه کارشناسی ارشد خود قیمت سهام ۱۰ روز آینده ۴۰ شرکت فعال در بورس اوراق بهادار تهران را با بهره گرفتن از ۳ روش شبکه عصبی پیشخور تک لایه با الگوریتم یادگیری لونبرگ-مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، شبکه عصبی با اضافه کردن میانگین های متحرک ۵، ۱۰، ۲۰روزه و ROC و RSI 12 روزه و مدل ARMA پیش بینی نمود. نتایج بدست آمده نشان داده است که مدل خطی ARMA بهتر از مدلهای غیر خطی شبکه های عصبی توانسته اند پیچیدگیهای سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرد.
عربی (۱۳۸۴) در مطالعهی خود به مقایسهی روش شبکهی عصبی با روش ARIMA در پیش بینی قیمت سهام شرکت سرمایه گذاری صنایع پتروشیمی پرداخته است. نتایج حاصل از ANN و ARIMA حاکی از برتری عملکرد شبکه عصبی مصنوعی نسبت به ARIMA می باشد.
زارع (۱۳۸۴) در مطالعهای رفتار شاخص قیمت سهام را در ایران مورد بررسی قرار داده است. وی با بهره گرفتن از یک الگوی خود همبسته با وقفه توزیعی (ARDL) و بهره گیری از مدل تعالی قیمت گذاری دارایی های سرمایه ای (CAPM) سعی در شناخت و تبیین تاثیر برخی از متغیرهای تاثیرگذاری بر شاخص قیمت سهام بازار بورستهران طی دوره فصل سوم سال ۱۳۷۲ تا فصل اول سال ۱۳۸۲ دارد. نتایج الگوی کوتاه مدت نشان می دهد که متغیرهای وقفه اول لگاریتم شاخص قیمت سهام، لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای تاثیر مثبت و ورودی لگاریتم نرخ ارز و لگاریتم حجم پول دارای تاثیر منفی و معنی داری بر روی متغیر لگاریتم شاخص قیمت سهام می باشد. نتیجه برآورد الگوی بلند مدت نشان می دهد که متغیرهای لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم شاخص قیمت مسکن، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای رابطه مستقیم و دو متغیر لگاریتم نرخ ارز و لگاریتم حجم پول دارای رابطه عکس و معنی داری با متغیر لگاریتم شاخص قیمت سهام می باشند.
هادی پور (۱۳۸۲) مطالعهای جهت تعیین بهترین مدل پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی بورس اوراق بهادار تهران انجام داده است. در این تحقیق پیش بینی با بهره گرفتن از روش های سری زمانی تخمین روند، هموارسازی نمایی و میانگین متحرک و باکس-جنکینز برای ۴ هفته انتهایی سال ۷۹ انجام شده است و سپس شاخص MSE روش های مختلف با یکدیگر مقایسه شده است. این تحقیق به این نکته اصرار می ورزد که مدل مشخصی برای پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی وجود ندارد و برای پیش بینی قیمت سهام هر شرکت ابتدا باید با بهره گرفتن از روند و خصوصیات آن سری زمانی داده ها، مدل مناسب را با بهره گرفتن از روش شناسی مدلهای پیش بینی انتخاب و سپس با بهره گرفتن از آن مدل به پیش بینی قیمت سهام آن شرکت اقدام نمود.
عباسپور (۱۳۸۱) مطالعهای جهت پیش بینی قیمت سهام شرکت ایران خودرو در بازار بورس تهران با بهره گرفتن از شبکه عصبی مصنوعی انجام داده است. داده هایی که در این مطالعه مورد استفاده قرار گرفته به صورت روزانه بوده و دوره زمانی ۸۰-۱۳۷۹ را شامل می شود. متغیرهای موثر بر قیمت سهام شرکت ایران خودرو شامل نرخ ارز، قیمت نفت، نسبت P/E و حجم مبادلات سهام می باشد. نتایج این تحقیق نشان از برتری نتایج حاصل از پیش بینی قیمت توسط شبکه عصبی مصنوعی نسبت به روش باکس – جنکنیز می باشد.
چاوشی(۱۳۸۰) در مطالعهی خود به پیش بینی پذیری رفتار قیمت سهام در بورس اوراق بهادار تهران توسط مدل چند شاخصی آربیتراژ و شبکه های عصبی مصنوعی پرداخته است. جهت آزمون این مساله، قیمت روزانه سهام شرکت صنایع بهشهر به عنوان نمونه آماری انتخاب شده است. نتایج حاکی از موفقیت این دو مدل در پیش بینی رفتار قیمت سهام مورد نظر و همچنین برتری عملکرد شبکه های عصبی مصنوعی بر مدل چند شاخصی آربیتراژ بوده است.
صفر نواده (۱۳۸۰) در مطالعهی خود به امکان سنجی پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران پرداخته است. وی این کار را از طریق بررسی چند متغیر مهم و تاثیر گذار که عبارتند از:

این مطلب را هم بخوانید:   بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت ۸

  1. نسبت سود تقسیم شده به قیمت سهم ()
  2. نسبت ()
  3. حجم مبادلات (V)
  4. ریسک (R)
  5. تفاوت پایین ترین قیمت سهم با قیمت روز بخش بر قیمت روز سهم ()

و با بهره گرفتن از روش های پیش بینی آماری رگرسیون و ARIMA انجام داده است.
بت شکن (۱۳۷۹) در پایان نامه خود از یکی از تکنیکهای هوش مصنوعی بنام شبکه های عصبیفازی ANFIS استفاده نموده و توانایی این مدل را در پیش بینی قیمت سهام در مقایسه با مدل های خطی ARIMA مورد سنجش قرار داده است. در شبیه سازی انجام شده انواعی از شبکه های ۲ ورودی تا ۵ ورودی با تعداد توابع عضویت متفاوت و نگاشتهای مختلف جهت پیش بینی سری زمانی قیمت سهام شرکت گروه بهمن مورد استفاده قرار گرفته اند. برای تعیین مدل ARIMA نیز متدولوژی باکس-جنکینز استفاده گردیده است. نتایج بررسی نشان دهنده برتری و اولویت شبکه ANFIS در پیش بینی قیمت سهام نسبت به مدل ARIMA می باشد.
عزیزخانی (۱۳۷۹) در مطالعه خود از روش های ترکیبی برای پیش بینی قیمت سهام استفاده کرده است. در انجام این تحقیق دو شرکت به عنوان انتخاب شده و سپس با بهره گرفتن از روش های پیش بینی فردی قیمت سهام برای چند دوره مورد نظر برآورد شده است و نتایج حاصل از پیش بینیهای فردی با روش های مختلف ترکیب شده است. مدل ترکیبی از نظر کاهش میزان خطا با سایر مدل های مقایسه شده و در نهایت مدل بهینه معرفی شده است.
تیموری (۱۳۷۸) در پایان نامه کارشناسی ارشد خود تحت عنوان “کاربرد شبکه های عصبی در پیش بینی شاخص صنعت تحت تاثیر متغیرهای کلان اقتصادی” به مقایسه روش های پیش بینی خطی و عصبی پرداخته که در آن داده ها بصورت هفتگی میباشد. شبکه مورد استفاده دارای سه لایه است که لایه میانی شامل پنج گره بوده و توابع انتقال آن از نوع هلالی می باشند، نتایج این تحقیق نشان از برتری محسوس شبکهی عصبی بر رگرسیون خطی دارد.
خالوزاده (۱۳۷۷) در رساله دکتری خود با بهره گرفتن از اطلاعات روزانه سری زمانی قیمت و بازده سهام شرکت شهد ایران به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته است. روش های پیش بینی مورد استفاده در این تحقیق، شامل روش های پیش بینی بر اساس مدل های خطی و غیر خطی (شبکه های عصبی) میباشد و با توجه به نتایج بدست آمده نشان داده شده است که قیمت سهام از نگاشتهای پیچیده غیر خطی به وجود آمده اند و استفاده از انواع روش های خطی صحیح نمی باشد.
رجب زاده قطرمی (۱۳۷۷) در مطالعه خود به بررسی روش های پیش بینی و ترکیب این روشها با هدف کاهش خطای پیش بینی پرداخته است. نتایج بدست آمده حاکی از کاهش بسیار زیاد خطای پیش بینی روش های ترکیبی نسبت به روش های فردی می باشد.
۲-۳-۲: مطالعات خارجی
تانگ و همکارانش[۵۹](۲۰۱۰) با بهره گرفتن از ترکیب تبدیل موجک[۶۰] ، شبکه عصبی پیشخور[۶۱] و الگوریتم مورچگان[۶۲] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان در ابتدا با بهره گرفتن از موجک هار[۶۳] اقدام به تجزیهی سری زمانی قیمت نمودند سپس با بهره گرفتن از شبکه عصبی پیشخور پیش بینی صورت گرفت و وزنهای حاصل از شبکه عصبی با بهره گرفتن از الگورتم مورچگان بهینه گردید. مدل ارائه شده بر روی داده های میانگین شاخص صنعت داو جونز[۶۴] (DJIA)، شاخص FTSE-100 بورس لندن (FTSE)، شاخص NiKei-225 بورس توکیو (Nikkei) و شاخص بورس تایوان (TAIEX) مورد آزمون قرار گرفت. مدل مزبور با مدل ترکیبی شبکه عصبی و الگوریتم مورچگان، مدل سری زمانی فازی[۶۵] و شبکه عصبی فازی(ANFIS) مقایسه گردید. در تمامی موارد آزمون شده مدل پیشنهادی نسبت به بقیه مدل ها از خطای کمتری برخوردار بود.
هداوندی و همکارانش[۶۶] (۲۰۱۰) با بهره گرفتن از ترکیب شبکه عصبی و ژنتیک فازی[۶۷] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان مدل مزبور را بر روی داده های جمع آوری شده برای صنعت IT و هواپیمایی بورس نیوریوک آزمون نمودند. مدل پیشنهادی با مدلهای ARIMA و الگوریتم ژنتیک و شبکه عصبی استفاده شده در پیش بینی مورد مقایسه قرار گرفت که در تمامی موارد مدل پیشنهادی بر مدلهای قبلی نتایج بهتری بدست داد.
آلوارز دیاز و میگز[۶۸] (۲۰۰۸) از برنامه ریزی ژنتیک برای بررسی کیفیت بنگاه ها استفاده نمودند. آن ها از یک GP برای بررسی رابطه بین کیفیت بنگاه ها و مجموعه ای از متغیرهای تاریخی، اقتصادی، جغرافیایی، مذهبی و اجتماعی استفاده نمودند. نتایج بدست آمده حاکی از این موضوع است که GP می تواند نتایجی به دقیقی OLS را ارائه دهد.
چن و همکارانش[۶۹] در سال ۲۰۰۸ از یک مدل سری زمانی فازی برای پیش بینی کوتاه مدت قیمت سهام تایوان و هنگ کنگ استفاده نمودند. نتایج تجربی بدست آمده از این تحقیق بیانگر این است که روش آماری سنتی و مدل ارائه شده هر دو مشخص میکنند که الگوهای قیمت سهام در این دو بازار کوتاه مدت هستند.
از آنجایی که در بازار سهام، سرمایه گذاران عقلایی پیش بینی هایشان را بر اساس جدید ترین خطاهای پیش بینی اصلاح می کنند، چنگ و همکارانش[۷۰] در سال ۲۰۰۸ از یک مدل جدید سری زمانی فازی برای کاهش خطای پیش بینی در بازار سهام تایوان استفاده نمودند. نتایج حاکی از برتری این مدل نسبت به مدل چن و یو[۷۱] بوده است.
چانگ و لو[۷۲] در سال ۲۰۰۸ از قاعده فازی نوع [۷۳]TSK برای پیش بینی قیمت سهام استفاده نمودند. مدل فازی TSK شاخص فنی را به عنوان متغیرهای ورودی در نظر میگیرد و نتیجه بدست آمده یک ترکیب خطی از متغیرهای ورودی میباشد. این مدل بر داده های شرکت سهامی الکترونیک تایوان آزمون شده است و نتایج بدست آمده حاکی از دقتی نزدیک به ۹۷٫۶ درصد در شاخص TSE و ۹۸٫۰۸ درصد در Media Tek میباشد.
کابودان در سال ۲۰۰۷ از برنامه ریزی ژنتیک و شبکه عصبی برای پیش بینی فضایی قیمت های مسکن استفاده نموده است. نتایج بدست آمده حاکی از برتری GP نسبت به شبکه عصبی میباشد.
گراسیا آلمانزا و تی سانگ[۷۴] در سال ۲۰۰۷ از برنامه ریزی ژنتیک برای یافتن نوسانات مهم در قیمت سهام استفاده نمودند. با بهره گرفتن از این روش نشان دادند که GP قابلیت یافتن مواردی نادری که با عدم توازن شدید مجموعه داده ها مواجهیم را دارد.
وانگ[۷۵] (۲۰۰۷) از شبکه های عصبی غیر خطی برای پیش بینی قیمت سهام استفاده کرده است. وی در این مطالعه روش و ناپایداری نامتقارن هیبریدی را در شبکه های عصبی مصنوعی به کار برده است تا با بهره گرفتن از این روش خطای پیش بینی را کاهش دهد. نتایج بدست آمده حاکی از این است که روش ناپایداری GREY-GIR-GARCH قابلیت پیش بینی بیشتری نسبت به سایر روش های ناپایداری دارد.
لین و همکاران[۷۶] (۲۰۰۷) از الگوریتم ژنتیک برای پیش بینی بازار سهام استفاده کردند. نکته مهم برای موفقیت یک قانون تجارت انتخاب مقادیر برای همه پارامترها و ترکیبات آنها می باشد. لیکن دامنه پارامترها در یک محدوده بزرگ تغییر میکند و مشکلی که وجود دارد یافتن ترکیب بهینه پارامتر ها است. در این مقاله از الگوریتم ژنتیک برای فائق آمدن بر این مشکل استفاده شده است.
راج کومار و سیتابرا[۷۷] در سال ۲۰۰۷ به بررسی تغییرات رفتار جمعی قیمت سهام در یک بازار در حال رشد پرداختند. در این مقاله از یک ماتریس همبستگی متقاطع برای تغییرات قیمت سهام بازار بورس هند استفاده شده است.
هیوپ ره[۷۸] در سال ۲۰۰۷ از مدلهای هیبریدی، شبکه های عصبی و سری زمانی برای پیش بینی تلاطم[۷۹] شاخص قیمت سهام با دو رویکرد انحرافی و مستقیم استفاده کرده است.
چنگ و همکارانش[۸۰] در سال ۲۰۰۷ مدل سری زمانی فازی دو عاملی را برای پیش بینی شاخص سهام به کار بردند. در این مقاله شاخص سهام و حجم معامله به عنوان عواملی در نظر گرفته شدهاند که در پیش بینی شاخص قیمت موثرند. نتایج حاکی از قابلیت خوب این مدل در پیش بینی شاخص سهام میباشد.
چن و همکارانش[۸۱] در سال ۲۰۰۷ از سری زمانی فازی بر اساس رشته Fibonacci در پیش بینی قیمت سهام استفاده نمودند. در این تحقیق یک دوره زمانی پنج ساله از داده ها برای TSMC[82] ویک دوره زمانی ۱۳ساله برای TAIEX[83] در نظر گرفته شده است. مدل بدست آمده نسبت به مدلهای سری زمانی فازی متداول برتری دارد.
ام تی سانگ و همکارانش[۸۴] در سال ۲۰۰۷ کاربرد NN5[85] را در پیش بینی قیمت سهام هنگ کنگ بررسی نمودند. این سیستم بر روی داده های سهام دو شرکت سهامی بانکداری هنگ کنگ و شانگهای آزمون شده است. این سیستم نرخ موفقیت کلی بیش از ۷۰ درصد را نشان می دهد.

این مطلب را هم بخوانید:   اندازه گیری پویایی کسب و کار بین بنگاه های موجود در صنعت مطالعه ی ...

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.