منابع مقالات علمی : بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت …

سال سیدو سانز[۸۶] و همکارانش در سال ۲۰۰۵ کاربرد برنامه ریزی ژنتیک را در پیش بینی ورشکستگی شرکتهایی که فاقد بیمه عمر هستند، نشان دادند. در این مقاله کارکرد برنامه ریزی ژنتیک با سایر روش های طبقه بندی مقایسه شده است.
پای و لین[۸۷] در سال ۲۰۰۵ از یک مدل هیبریدی آریما و ماشینهای بردار حمایتی[۸۸] در پیش بینی قیمت سهام تایوان استفاده نمودند. نتایج محاسبات بدست آمده از این تحقیق بسیار امیدوارانه است.
گروسان و همکارانش[۸۹] در سال ۲۰۰۵ از یک روش جدید برنامه ریزی ژنتیک با نام Multi Expression Programming برای پیش بینی دو شاخص سهام استفاده نمودند. عملکرد این روش را با یک شبکه عصبی مصنوعی که در آن الگوریتم Levenberg Marquardt استفاده شده بود، مدل نرو فازی تاگاکی سونجو[۹۰]، تفاضلی از شبکه عصبی پیش رونده[۹۱] و ماشین بردار پایه[۹۲] مقایسه نمودند.
ال تلبانی[۹۳] در سال ۲۰۰۴ بازده سهام مصر را با بهره گرفتن از روش های برنامه ریزی ژنتیک پیش بینی نمود.
پتوین و همکارانش[۹۴] در سال ۲۰۰۴ تحقیقی با عنوان ایجاد قوانین تجارت در بازار سهام با بهره گرفتن از برنامه ریزی ژنتیک انجام دادند. در این مقاله از برنامه ریزی ژنتیک به عنوان ابزاری برای ایجاد قوانین تجاری در کوتاه مدت در بازار سهام استفاده شده است. این محاسبات برای ۱۴ شرکت کانادایی در بورس تورنتو اجرا شده است. نتایج بدست آمده از این تحقیق نشان میدهد که روش زمان بندی این بازار ممکن است جایگزین مناسبی برای خرید و فروش[۹۵] باشد. همچنین نتایج حاکی از این است که قوانین داد و ستد ایجاد شده توسط GP زمانیکه بازار پایدار و یا در حال سقوط میباشد، مفید است. از طرف دیگر در شرایطی که بازار در حال صعود است نتایج به دست آمده از روش GP با روش خرید و فروش مطابقت ندارد.
فرانس ورث و همکارانش[۹۶] در سال ۲۰۰۴ از بزنامه ریزی ژنتیک برای پیش بینی بازده روزانه وجوه شاخص S&P500 استفاده کردند که به فرضیه کارایی بازار اشاره دارد. S&P500 یکی از شاخصهایی است که بیشترین مطالعه در سطح جهان بر روی آن انجام شده است.
ال تلبانی[۹۷] در سال ۲۰۰۴ بازده سهام مصر را با بهره گرفتن از روش های برنامه ریزی ژنتیک پیش بینی نمود.
پتوین و همکارانش[۹۸] در سال ۲۰۰۴ تحقیقی با عنوان ایجاد قوانین تجارت در بازار سهام با بهره گرفتن از برنامه ریزی ژنتیک انجام دادند. در این مقاله از برنامه ریزی ژنتیک به عنوان ابزاری برای ایجاد قوانین تجاری در کوتاه مدت در بازار سهام استفاده شده است. این محاسبات برای ۱۴ شرکت کانادایی در بورس تورنتو اجرا شده است. نتایج بدست آمده از این تحقیق نشان میدهد که روش زمان بندی این بازار ممکن است جایگزین مناسبی برای خرید و فروش[۹۹] باشد. همچنین نتایج حاکی از این است که قوانین داد و ستد ایجاد شده توسط GP زمانیکه بازار پایدار و یا در حال سقوط میباشد، مفید است. از طرف دیگر در شرایطی که بازار در حال صعود است نتایج به دست آمده از روش GP با روش خرید و فروش مطابقت ندارد.
فرانس ورث و همکارانش[۱۰۰] در سال ۲۰۰۴ از بزنامه ریزی ژنتیک برای پیش بینی بازده روزانه وجوه شاخص S&P500 استفاده کردند که به فرضیه کارایی بازار اشاره دارد. S&P500 یکی از شاخصهایی است که بیشترین مطالعه در سطح جهان بر روی آن انجام شده است.
جولیانا ییم (۲۰۰۲)[۱۰۱] مطالعهای جهت مقایسه روش های پیش بینی شبکه عصبی و روش های پیش بینی کلاسیک (ARMA, GARCH) انجام داده است. معیار ارزیابی MSE و می باشد. نتایج نشان دهندهی برتری شبکه های عصبی نسبت به نمونه های ARMA وGARCH است.
کابودان (۲۰۰۰)[۱۰۲] از برنامه ریزی ژنتیک برای پیش بینی روزانه قیمت سهام ۶ شرکت آمریکایی استفاده نمود و بر اساس نتایج بدست آمده از این پیش بینی یک استراتژی تجارت را ارائه کرده است. همچنین از این روش استفده کرده است تا نشان دهد قیمتهای سهام قیمت های قابل پیش بینی هستند.
تان، پروخوف و ونچ (۱۹۹۵)[۱۰۳] سیستمی را طراحی نمودند که تغییرات قابل ملاحظه کوتاه مدت قیمت سهام را پیش بینی میکند. ابتدا پیش پردازشی روی داده ها صورت گرفته و سپس شبکه عصبی مدل سازی می شود که موقعیتهای خیلی خوب سوددهی را تخمین می زند.
ریفنز، زاپرانیس و فرانسیس (۱۹۹۴)[۱۰۴] با مدل سازی رفتار قیمت سهام توسط شبکه های عصبی، عملکرد آن را با مدل های رگرسیون مقایسه نموده اند، در این تحقیق از شبکه های عصبی به عنوان یک جایگزین برای تکنیکهای آماری کلاسیک و از این شبکه ها برای پیش بینی سهام شرکتهای بزرگ استفاده شده است. نتایج نشان می دهد که شبکه های عصبی نسبت به تکنیکهای آماری عملکرد بهتری دارند و مدلهای بهتری ارائه می دهند.
یون و اسویلز (۱۹۹۱)[۱۰۵] از اساتید دانشگاه میسوری برای پیش بینی قیمت سهام از یک شبکه عصبی چهار لایه با روش یادگیری پس انتشار (BP) استفاده نمودهاند که نتیجه حاصل از آن به میزان قابل توجهی بهتر از روش سنتی می باشد. دقت شبکه در روش شبکه عصبی ۷۷٫۵% و روش سنتی ۶۵% می باشد.
۲-۴: نتیجهگیری و خلاصه فصل
در این فصل ابتدا مبانی نظری پژوهش بیان شد و سپس به بیان انواع روش های پیشبینی توضیح داده شد و سپس بصورت خلاصه نتایجی از تحقیقات داخلی و خارجی صورت گرفته پیرامون پیشبینی شاخص قیمت سهام بیان گردید، با توجه به مطالب بیان شده در این فصل مواردی همچون زیر را میتوان نام برد که محقق در این پژوهش دنبال پاسخگویی به آن میباشد:

این مطلب را هم بخوانید:   بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت ۹

  1. در برخی از تحقیقات صورت گرفته مدلهای خطی بر مدلهای غیر خطی برتری نسبی را نشان میدهد ولی در عمده تحقیقات صورت گرفته این برتری متعلق به مدلهای غیر خطی است، دلیل این باید در سری زمانی شاخص قیمت جستوجو کرد، لذا محققین در این پژوهش با آگاهی از این موارد به دنبال ارائهای روشی جدید برای پیشبینی شاخص قیمت میباشد، بطوریکه هم اثرات خطی و هم غیرخطی سری زمانی شاخص قیمت در نظر گرفته شود، این مهم را با بهره گرفتن از روش تبدیل موجک به منظور ترکیب مدلهای خطی و غیرخطی دنبال خواهیم نمود.
  2. در مدلهای غیر خطی مورد مطالعه در تحقیقات پیشین هیچگونه روابطی قابل فهم استخراج نگردیده است تا سرمایهگذاران و سایر استفادهکنندگان بتوانند با توجه به روابط استخراج شده اقدام به پیشبینی آینده تصمیمات خویش باشند، ما در این پژوهش به دنبال استخراج روابطی منطقی بین داده های پژوهش هستیم بطوریکه الگوهای استفاده شده توسط مدلهای غیر خطی برای خواننده قابل فهم باشد، این مهم در این پژوهش با ترکیب الگوریتم ژنتیک با تئوری فازی صورت خواهد گرفت.

فصل سوم
روش تحقیق
۳-۱: مقدمه
هدف از نگارش این فصل، بحث و بررسی پیرامون روش و متدولوژی تحقیق است. ابتدا، روش انجام تحقیق بیان خواهد شد سپس به معرفی جامعهی آماری تحقیق و معرفی متغیرهای مورد استفاده در تحقیق می پردازیم. در قسمت بعدی فرضیات تحقیق بیان میشود. سپس مدلهای مورد استفاده توضیح داده میشود. در نهایت روش های متداول ارزیابی عملکرد مدلهای پیشبینی جهت انتخاب مدل پیشبینی برتر را بر میشماریم.
۳-۲: روش تحقیق
این تحقیق از نظر هدف، کاربردی و از نوع تحقیقات شبه تجربی است. در این تحقیق به منظور پیش بینی شاخص قیمت بورس اوراق بهادار تهران؛ از مدل سری زمانی ARIMA، شبکهی عصبی درک چندلایه(MLP) و تکنیک استخراج قانون از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک فازی و استفاده از تبدیل موجک به منظور تفکیک نوسانات داده ها و همچنین کاهش سطح خطای مدلهای مورد استفاده میباشد. اما با توجه به اینکه به طور مطلق نمی توان در مورد توان پیش بینی یک مدل نظری داد، پس باید از مدل دیگری برای مقایسه نتایج استفاده کرد. از این رو، به منظور انتخاب مدل بهینه، عملکرد آنها مورد مقایسه قرار گرفت. این تحقیق نسبت به تحقیقات گذشته دارای دو مزیت ملموس و مهم است؛ اول اینکه در این تحقیق به منظور بهبود مدل پیش بینی از تبدیل موجک استفاده شده است، همچنین از آنجائیکه شبکه های عصبی مانند جعبهی سیاه است و چگونگی روابط بین متغیرها را نمایان نمی کند، از این رو از تکنیک استخراج قانون استفاده شده است؛ تکنیک استخراج قانون مورد استفاده در این پژوهش الگوریتم ژنتیک فازی میباشد. مراحل کلی تحقیق به این صورت میباشد که بر مبنای ادبیات تحقیق، مدلهای تحقیق تدوین گردید. سپس متغیرهای مورد نظر تحقیق از منابع اطلاعاتی و پایگاه های اطلاعاتی مختلف استخراج شد و در نهایت مدلهای مورد استفاده برای مورد برازش قرار گرفت. درنهایت برای تعیین مدل برتر از معیار های ارزیابی عملکرد مدل استفاده گردید. لازم به ذکر است تجزیه و تحلیل داده ها با بهره گرفتن از نرم افزار MATLAB و نرم افزار اقتصادی Eveiws انجام گرفت.
۳-۳: جامعه آماری و متغیرهای تحقیق
۳-۳-۱: جامعه آماری
از آنجائیکه بازار سرمایه در هر کشوری آینهی تمام نمای وضعیت اقتصادی آن کشور است و شاخص قیمت بیانگر وضعیت بازار سرمایه در زمان فعال بودن بازار میباشد لذا 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.
۳-۳-۲: متغیرهای تحقیق
در این تحقیق با توجه به نتایج تحقیق رعیت(۱۳۸۸)، سجادی و همکاران(۱۳۸۸) و صمدی و همکاران(۱۳۸۷) قیمت روزانه سبد نفت ایران، قیمت جهانی طلا، قیمت روزانه ارز دولتی و شاخص روزانه S&P500 بورس نیویورک به عنوان متغیرهای مستقل(ورودی شبکه عصبی) انتخاب شدند، داده های فوق به ترتیب از سایت کتابخانه سازمان اوپک، پایگاه اطلاعاتی سایت بانک جهانی، سایت بانک مرکزی جمهوری اسلامی ایران و پایگاه اطلاعاتی سایت بانک جهانی برای دوره مورد مطالعه استخراج گردید.
۳-۴: سوالات و فرضیه های تحقیق
سؤالات تحقیق به شرح زیر قابل طرح است:

این مطلب را هم بخوانید:   دانلود پایان نامه ارشد : استفاده از فنون تحلیل خودکار سلولی مبتنی بر تحلیل زنجیره مارکف

  1. آیا سری زمانی خطی ARIMA مدل مناسبی برای پیش بینی قیمت سهام است؟
  2. آیا شبکه عصبی درک چند لایه(MLP) در پیش بینی قیمت سهام بر مدل خطی ARIMA برتری دارد؟
  3. آیا تکنیک استخراج قانون(ExtractionRule ) از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد؟
  4. برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.