آیا داده کاوی با الگوریتمهای ترکیبی شبکه عصبی مصنوعی و الگوریتمهای بهینه سازی تکاملی قادر به ارائه پاسخ قابل قبول و قابل اطمینانی در پیش بینی قیمت سهم می باشد؟
۱-۶ مفروضات تحقیق
اگر چه در این تحقیق سعی بر آن شده تا با محدودسازی بیهوده از کیفیت محتوای تحقیق کاسته نگردد لکن برخی مفروضات بر به شرح موارد زیر بر این تحقیق وارد می باشند:
اثرات کلیه عوامل تاثیرگذار بر قیمت سهام شرکت در بازار بورس اوراق بهادار در ذات قیمت سهام در دوره های گذشته وجود داشته و نیازی به در نظر گرفتن عوامل دیگر در پیش بینی قیمت آینده سهم نمی باشد. به عبارت دیگر، تکنیک تحلیل سهم پشتیبان در این تحقیق مبتنی بر رویکرد تکنیکال می باشد.
نتایج پیش بینی قیمت پنج سهم مورد مطالعه، قابل تعمیم به جامعه سهام شرکتها در بورس اوراق بهادار می باشد.
بر اساس تحقیقات پیشین از بین الگوریتمهای تکاملی رایج دو الگوریتم ژنتیک و بهینه سازی ازدحام ذرات انتخاب شده و الگوریتم رقابت استعماری به دلیل جدیدتر بودن و انجام کمترین تحقیقات در این حوزه مد نظر قرار گرفته است.
انتخاب/ استخراج ویژگی[۵] در سری زمانی قیمت سهام هر شرکت بر اساس نتایج تحقیقات گذشته صورت می گیرد و در این تحقیق فعالیت افزوده ای بر فعالیتهای پیشین به غیر از کاهش اندازه داده ها بر اساس نتایج انتخاب/استخراج ویژگی در تحقیقات گذشته صورت نمی گیرد.
۱-۷ دامنه تحقیق
این تحقیق به گونه ای انجام گرفته است که نتایج آن قابل تسری به کلیه مسائل مشابه باشد. در اجرای این تحقیق برخی محدودیهای کوچک به واسطه زمان محدود تحقیق و محدودیت منابع، منجر به محدودسازی دامنه مساله و تحقیق گردیده است. موارد زیر عوامل محدودکننده دامنه این تحقیق می باشند:
نمونه مورد بررسی تعداد پنج سهم از بین بیش از چهارصد و پنجاه سهم در بازار بورس اوراق بهادار تهران می باشد. بر اساس محاسبات تئوریک آماری تعداد نمونه بیشتری از چهارصد و پنجاه سهم موجود برای رسیدن به سطح اطمینان ۹۰% نیاز می باشد ولی با در نظر گرفتن تشابه بسیار زیاد رفتار قیمت سهام مختلف در یک صنعت و با در نظر گیری تعداد سی و پنج صنعت فعال در بورس اوراق بهادار تعداد پنج سهم[۶] به عنوان نمونه قابل قبول در سطح ۹۵% اطمینان می باشد.
توان محاسباتی نرم افزار مورد استفاده که در این تحقیق نرم افزار MATLAB می باشد یکی دیگر از موارد مورد توجه می باشد. این نرم افزار بسیار قدرتمند در انجام محاسبات، توان محدودی نسبت به برخی نرم افزارهای موجود مانند R در راندمان محاسبات و فضای مورد نیاز دارد. این مورد اثری در محاسبات و نتایج این تحقیق ایجاد ننموده لکن امکان محاسبات همزمان تعداد نمونه بیشتر را با محدودیت مواجه می نماید.
۱-۸ ساختار تحقیق
این تحقیق شامل شش فصل می باشد. در فصل اول مساله تحقیق معرفی می گردد و سئوالات اصلی و فرعی تحقیق به همراه مفروضات و دامنه تحقیق تشریح می گردد. تحقیقات پیشین در فصل دوم مرور شده اند. در این فصل مرور تحقیقات داده کاوی روی الگوریتمهای ترکیبی شبکه عصبی مصنوعی و الگوریتمهای دیگر مورد توجه قرار گرفته و در این بین الگوریتمهای بهینه سازی تکاملی کانون توجه بوده اند. همچنین در این فصل نتایج تحقیقات گذشته در شناسایی/ انتخاب ویژگی در داده های قیمت سهام مورد بررسی قرار گرفته است. فصل سوم این تحقیق حاوی مبانی نظری تحقیق می باشد. در این فصل پس از شرحی بر بازار بورس اوراق بهادار و رویکردهای رایج تحلیل قیمت سهام در آن بازار به تشریح نظری داده کاوی، شبکه های عصبی مصنوعی و الگوریتمهای تکاملی انتخاب شده پرداخته شده است. روش تحقیق به کار گرفته شده، در فصل چهارم این گزارش شرح داده شده است. نتایج اجرای تحقیق بر اساس روش تحقیق شرح داده شده در فصل پنجم گزارش گردیده است و فصل ششم، تحلیل و نتیجه گیری اجرای تحقیق را در کنار پیشنهاد تحقیقات آینده ارائه می نماید.
: پیشینه تحقیق
۲-۱ مدلهای پیش بینی قیمت سهم در تحقیقات پیشین
محققان بسیاری سعی نموده اند تا با به کارگیری روشهای گوناگون پیش بینی به نتایج قابل قبولی در پیش بینی قیمت سهام در بازارهای پول و سرمایه دست یابند. سیر تحقیقات نشان دهنده آن است که از مدلهای ساده و تک بعدی ابتدایی، روشها به سمت مدلهای روشهای زمانی، مدلهای بهینه سازی کلاسیک، روشهای هوش مصنوعی و روشهای ترکیبی حاصل از ترکیب انواع مدلهای اشاره شده حرکت نموده اند.
در مواردی روشهای مبتنی بر تحلیل سری های زمانی مانند الگوریتم هموارسازی نمایی و یا تحلیل روند مورد استفاده قرار گرفته اند. تحقیقات متعددی با هدف پیش بینی قیمت سهام شرکتها در بازارهای پول و سرمایه با روشهای مختلفداده کاوی صورت گرفته است. بسیاری تحقیقات بر اساس به کارگیری شبکه عصبی مصنوعی شکل گرفته اند و محققان به اشکال گوناگون به بررسی کارایی آن الگوریتم پرداخته اند.
در تحقیقی [۱] از شبکه عصبی پیشرو به منظور پیش گویی قیمت سهام استفاده نموده اند. در این تحقیق، به کمک فرایند داده کاوی یکپارچه، داده های انتخاب، نمونه داده ها، تبدیل داده ها، مدلسازی شبکه، شبیه سازی شبکه و ارزیابی نتایج به دست آمده، پیش گویی روند شاخص کل بازار بوری شانگهای با دقت بالاتری به دست آمد. نتیجه این تحقیق، مزیت استفاده از شبکه عصبی پیشرو با یادگیری پیش انتشار را در پیش گویی سیستمهای غیرخطی نشان داد. همچنین در تحقیق دیگری [۲] به مطالعه تجربی بر روی یک شبکه عصبی مصنوعی، که حاصل تجارب پیاده سازی مدل انتشار – بازگشتی پیش بینی قیمت سهام است را گزارش می دهد پرداختند. در راستای آزمون قابلیتهای پیش بینی شبکه عصبی، مدل انتشار – بازگشتی برای پیش بینی قیمت سهام ایجاد گردید. پارامترهای این نوع شبکه تغییر داده شد و نتایج پیش بینی ثبت گردید. این پارامترها عبارت بودند از : الگوریتم یادگیری، بازه نگاه به گذشته، تعداد نورون ها در لایه پنهان و توابع فعال ساز که اثرات تغییرات آنها در این مقاله موردمطالعه قرار گرفت . در انتها نتایج پیاده سازی مدل روی سهام سه شرکت مختلف به همراه پارامترهای آن نشان داده شده است. در این مطالعه سهام سه کمپانی SPG, WMT, IBM در بازار سهام نیویورک از سال ۲۰۰۴ تا ۲۰۰۷ به عنوان ورودی شبکه عصبی مورد مطالعه قرار گرفت . از میان داده ها قیمت حداکثر و حداقل برای هر ماه مد نظر بوده است. برای آموزش مدل داده ها از ماه دوم سال ۲۰۰۴ تا ماه اول سال ۲۰۰۶ استخراج شدند. که از ۶۰ درصد از این داده برای آموزش و از ۴۰ درصد دیگر به عنوان آزمونی برای تشخیص توانائی پیش بینی مدل استفاده شده است. در ادامه برای تعیین میزان سود حاصله قیمت حداکثر و حداقل دوازده ماه (از ماه دوم سال ۲۰۰۶ تا ماه اول سال ۲۰۰۷) به شبکه داده شد. هدف یا خروجی شبکه پیش بینی قیمت حداکثر و حداقل سهام در ماه بعد می باشد. ANN استفاده شده دارای سه لایه (لایه پنهان ، لایه ورودی و لایه خروجی) مدل آموزش پیش انتشار خطا، تعداد نورون های ورودی برابر با اندازه بازه ضربدر ۲ و تعداد نورون های خروجی برابر با ۲ (حداکثر و حداقل) می باشد. در انتهای این مقاله نتایج بدست آمده از شبکه پیاده سازی شده، شامل قیمتهای واقعی،پیش بینی شده همراه با نمودار عملکرد شبکه در فرایند آموزش به ازای قیمتهای حداکثر و حداقل نشان داده شده است.
اخیرا محققان به ترکیب الگوریتمهای مختلف به منظور بهبود کارایی و دقت در پیش بینی ها مشغول شده اند و نتایج مناسبی نیز به دست آورده اند.
تحقیق دیگری [۳] به ارائه مدلی ترکیبی از شبکه های عصبی مصنوعی، با هدف بررسی توان پیش بینی کنندگی آنها در مقایسه با مدلهای منفرد پرداختند. در این بررسی، با استفاده از شبکه های عصبی، ترکیبی متشکل از شبکه های پیشخور و کوهونن اقدام به پیش بینی قیمت سهام شده است. نتایج آزمایشات محاسباتی در شبکه عصبی خودسازمانده پیش بینی قیمت سهام در بازار بورس تهران نشان داد که ترکیب شبکه خودسازمانده کوهونن با شبکه پیشخور، در مقایسه با مدل منفرد شبکه پیشخور که پرکاربردترین مدل شبکه های عصبی مصنوعی در حوزه پیش بینی بود، عملکرد بهتری در پیشبینی قیمت سهام ارائه میکند.
گروهی از الگوریتمهای ترکیبی الگوریتمهایی هستند که از ترکیب شبکه عصبی مصنوعی با یکی از الگوریتمهای بهینه سازی تکاملی شکل می گیرند. به دلیل جدید بودن این زمینه، تحقیقات متععدی روی آن صورت نگرفته است لکن موارد محدود موجود نشان دهنده کارایی و دقت قابل قبول برای پیش بینی در بازار بورس اوراق بهادار می باشد.
محققان دیگری [۴] عنوان نموده اند به کارگیری روشهای سنتی، قابلیت اطمینان پیش گویی ها در بازار سهام را تضمین نمی نمایند. ایشان شبکه عصبی مصنوعی را به منظور استخراج اطلاعات از داده های حجیم و داده کاوی را به منظور پیش گویی روندها و رفتار در بازارهای سهام مناسب یافتند و با ترکیب این دو به مدلی دست یافتند که در خروجی، پیش گویی هایی با قابلیت اطمینان مطلوبتر ارائه می نمود.
در تحقیقی [۵] محققان برای پیشگویی روند قیمت سهام شرکتها، قیمت سهام را تحت تاثیر عوامل بیرونی اقتصادی و شاخصهای مالی شرکت دانسته و به منظور تعیین روند قیمت آن از روش خوشه بندی فازی (روشی ترکیبی) استفاده نمودند. در خوشه بندی، نمونه ها با توجه به فاصله آنها با یکدیگر و یا به عبارت دیگر بر اساس میزان نزدیکی و مشابهت تقسیم می شوند و خوشه ها را شکل می دهند. در خوشه بندی کلاسیک هر نمونه فقط و فقط می تواند عضو یک خوشه باشد لکن در خوشه بندی فازی با توجه به مفهوم مجموعه های فازی هر نمونه می تواند به بیش از یک خوشه نیز تعلق داشته باشد. استفاده از این روش به محققان این امکان را داده تا قطعیت قضاوت در مورد روند قیمت یک سهم را افزایش دهند و در مواردی که نمونه ای بسیار مشابهت به نمونه های مثلا دو خوشه را دارد آن را در هر دو خوشه در نظر بگیرد. این حالت در مورد قیمت سهام بروز می نماید و یکی از منابع تصمیمات اشتباه تحلیل گران بازار سهام را شکل می دهد.
الگوریتم مورد نظر در مورد داده های قیمت سهم ده شرکت مخابراتی با در نظر گرفتن نه شاخص مالی شامل دارایی خالص به ازای هر سهم، عایدی به ازای هر سهم، سرمایه تجمعی به ازای هر سهم، نرخ سود ناخالص به ازای هر سهم، نسبت سود عملیاتی، نسبت سود خالص، بازگشت وزنی سرمایه، بازگشت خفیف سرمایه و نسبت جاری به کار گرفته شد.
نتایج آزمون انجام شده نشان داد که در مواردی که شاخصهای مالی شرکتها در یک خوشه قرار می گیرند قیمت سهام شرکتها مشابهت زیادی خواهند داشت و می توان روند آن را پیش گویی نمود. مثلا دو شرکت اول و نهم در آزمون مذکور در یک خوشه قرار گرفت. با کاهش ضریب لاندا شرکت ششم نیز در خوشه اول قرار گرفت و قابل پیشگویی نمود که قیمت سهم آن به سمت قیمت سهم دو شرکت اول و نهم کاهش یابد.
در تحقیق دیگری [۶] مشکل وجود شرایط متعدد آشوب و رفتار غیر خطی در بازار سهام و بالتبع قیمت سهام شرکتها را مورد توجه قرار داده و سعی نمودند تا با کمک یک الگوریتم ترکیبی بر این مشکل واقعی بازار سهام که الگوریتمهای کلاسیک قبلی قادر به مواجه اثربخش با آن نبودند فائق آیند. روشهای سری های زمانی مانند میانگین متحرک، هموارسازی نمایی و الگوریتم باکس-جنکینز و به دنبال آن شبکه های عصبی مصنوعی سعی در به دست آوردن توابع غیرخطی چندمتغیره نموده اند که شبکه های عصبی مصنوعی نتایج بهتری ارائه کرده اند. در سالهای اخیر دیده می شود محققان به منظور افزایش کارایی شبکه های عصبی مصنوعی آنها را با الگوریتم هایی مانند الگوریتم ژنتیک در قسمت آموزش وزنها ترکیب می کنند. از آنجا که الگوریتم یادگیری پیش انتشار خطا کارایی خیلی مناسبی در شرایط آشوب و غیر خطی از خود نشان نمی دهد الگوریتمهای بهینه سازی تکاملی اخیرا در یادگیری شبکه های عصبی به کار گرفته شده اند. الگوریتم بت (خفاش)، الگوریتمی بهینه ساز است که بر اساس این حقیقت که خفاش با ارسال امواجی با فرکانس مشخص و تخمین فواصل با تحلیل موج بازگشتی مسیر خود را مشخص می نماید طراحی شده است. این الگوریتم در برخی کاربردها به کار گرفته شده و اعتبار آن صحه گذاری گردیده است و نشان داده که در سیستمهای توام با آشوب و رفتارهای غیرخطی از قدرت قابل قبولی برخوردار می باشد.
کارایی الگوریتم مذکور به کمک معیار خطا MAPE محاسبه گردیده و در قیاس با سه الگوریتم دیگر مطابق بوده است.
جدول شماره ‏۲‑۱: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

مدل سهام مخابرات ایران سهام بیمه آسیا
شبکه عصبی با ۴ نورون ۷۳۴۱/۱ ۶۷۹۹/۲