منبع تحقیق با موضوع الگوریتم ژنتیک

4-3- آزمون فرضیه دوم 88
4-4- آزمون فرضیه سوم 90
4-5- آزمون فرضیه چهارم 94
4-6- آزمون فرضیه پنجم 96
4-7- خلاصه فصل 99
فصل پنجم: نتایج و پیشنهادات
5-1- مقدمه 101
5-2-مقایسه عملکرد مدلهای پیش بینی 101
5-3- نتایج آزمون فرضیات 103
5-4- نتیجه گیری 104
5-5- محدودیتهای تحقیق 106
5-6- پیشنهادات تحقیق 107
5-6-1- پیشنهادات برای سرمایهگذاران و متولیان بازار 107
5-6-2- پیشنهادات برای تحقیقات آتی 108
منابع و ماخذ 109
فهرست جداول
عنوان صفحه
جدول 4-1: نتایج ارزیابی عملکرد مدل ARIMA 87
جدول 4-2: پارامترهای ساختار شبکه نهایی MLP 88
جدول 4-3: نتایج ارزیابی عملکرد شبکه MLP 89
جدول 4-4: پارامترهای الگوریتم ژنتیک 92
جدول 4-5: قوانین استخراج شده از شبکه عصبی 92
جدول 4-6: نتایج ارزیابی عملکرد الگوریتم استخراج قانون 93
جدول 4-7: پارامترهای ساختار شبکه MLP 95
جدول 4-8: نتایج ارزیابی عملکرد مدل ترکیبی شبکه عصبی- ARIMA 95
جدول 4-9: پارامترهای ساختار شبکه MLP 97
جدول 4-10: پارامترهای الگوریتم ژنتیک مورد استفاده 97
جدول 4-11: مجموعه قوانین استخراج شده از مدل ترکیبی تبدیل موجک –شبکه عصبی 97
جدول 4-12: نتایج ارزیابی عملکرد الگوریتم استخراج قانون از مدلWNN 98
جدول 5-1: نتایج مقایسه روش های پیش بینی مورد استفاده 102
جدول 5-2: نتایج فرضیه های مطرح شده 103

فهرست تصاویر
عنوان صفحه
شکل 1-1: نمایش تبدیل فوریه 15
شکل 1-2: مفهوم فیلتر شدن یک سیگنال 17
شکل 1-3: مفهوم نمونه برداری با نرخ پایین 18
شکل 2-1: مفهوم ترکیب شدن 34
شکل 3-1: ساختار شبکه MLP 69
شکل 3-2: تبادل ژنتیکی 73
شکل 3-3: ساختار الگوریتم ژنتیک 74
شکل 3-4: مفهوم استخراج قانون از شبکه عصبی 75
شکل 3-5: الگوریتم ژنتیک فازی 77
شکل 3-6: موجک خانواده دبوچی 78
شکل 3-7: تجریه یک سیگنال بوسیله تبدیل موجک 79
شکل 3-8: ساختار مدل ترکیبی 80
شکل 4-1: مقایسه مقادیر واقعی و مقادیر پیش بینی مدلARIMA 87
شکل 4-2: مقایسه مقادیر واقعی و مقادیر پیش بینی مدلMLP 89
شکل 4-3: تابع عضویت متغیر شاخص قیمت 90
شکل 4-4: تابع عضویت متغیر شاخصS&P500 90
شکل 4-5: تابع عضویت متغیر قیمت طلا 91
شکل 4-6: تابع عضویت متغیر ارز دولتی 91
شکل 4-7: تابع عضویت متغیر قیمت سبد نفتی ایران 91
شکل 4-8: مقایسه مقادیر واقعی و مقادیر پیش بینی الگوریتم استخراج قانون 93
شکل 4-9: مقایسه مقادیر واقعی و مقادیر پیش بینی مدلWNN-ARIMA 96
شکل 4-10: مقایسه مقادیر واقعی و مقادیر پیش بینی الگوریتم استخراج قانون از مدلWNN 98
شکل 5-1: نمودار مقایسه روش های پیش بینی 102
فصل اول
مقدمه و
کلیات طرح تحقیق

1-1: مقدمه
رفع نا آگاهی از آینده از اصلی ترین دغدغه های خاطر انسان در طول تاریخ بوده است . آدمی همیشه به دنبال آن بوده که از آینده خود آگاه شده و آن را به نحوی که خود می خواهد سازمان دهد. در ابتدا چون توان پیش بینی صحیح و قابل اطمینان فراهم نبود، انسان متوسل به نیروهای فراطبیعی شد و آنگاه که توانایی عقلایی بیشتری پیدا کرد، درصدد استفاده از این توانایی برآمد و چون علم امکاناتی برای پیش بینی های او فراهم آورد، از این دستاورد بهره جست.(قدیری مقدم، 1388)
امروزه با رشد و توسعهی اقتصاد جهانی و رقابتی شدن آن، تصمیم گیری درخصوص تخصیص بهینه منابع به مراتب بیش از پیش اهمیت پیدا کرده است. از این رو بازار بورس و اوراق بهادار به عنوان آینهی تمام نمای وضعیت اقتصادی کشورها و مکانی برای اینکه سرمایه گذاران بتوانند منابع و پس انداز خود را در آن سرمایه گذاری کنند، بیشترین توجه را به خود جلب کرده است.
تصمیمات مربوط به آینده، همواره با ابهام و عدم اطمینان روبروست و کسانی در رقابت پیروز می شوند که بتوانند آینده را پیش بینی و حداقل اطلاعاتی در خصوص آن داشته باشند و بر اساس آن اقدام به تصمیم گیری نمایند. با گسترش علم، امکان پیش بینی مطلوب آینده فراهم شده است. یکی از راه های کمک به سرمایه گذاران، ارائهی الگوهای پیش بینی وضعیت بازار است. هرچه پیش بینی به واقعیت نزدیک تر باشد، مبنای تصمیمات صحیح تری قرار خواهد گرفت.
پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه یکی از مهمترین مسائل مورد بحث درعلوم مالی بوده است. معمولاً به منظور پیش بینی وقایعی که در آینده اتفاق می افتد به اطلاعات به دست آمده از رویدادهای تاریخی اتکا می شود .به این ترتیب که داده های گذشته تجزیه و تحلیل می گردد تا از آن الگویی قابل تعمیم به آینده حاصل گردد، دراغلب روش های پیش بینی فرض بر این است که روابط بین متغیرها در آینده نیز ادامه خواهد داشت.(فلاح شمس، 1388)

بازار های مالی، به عنوان بخش مهم اقتصاد هر کشور ، بدلیل رابطه تنگاتنگ آن با ساختار اقتصادی، بسیار مورد توجه قرارگرفته اند. بورس اوراق بهادار نیز به عنوان یکی از مهمترین عناصر بازار سرمایه و توسعه اقتصادی هر کشور شناخته شده است. چرا که این بازار به عنوان پیش نیازی برای بسیاری از تحولات بازرگانی و اقتصادی مورد توجه است. تامین مالی پروژه های مالی – سرمایه ای بلند مدت از محل پس اندازها و نقدینگی بخش خصوصی در مطلوبترین شکل ممکن از طریق بورس اوراق بهادار تحقق می یابد.
1-2: بیان مساله
سرمایه گذاران حق دارند نسبت به آیندهی سرمایه گذاری خود نگران و حساس باشند، به این ترتیب به دنبال این هستند تا اطلاعاتی در مورد آینده بدست آورند. پیش بینی به سرمایه گذاران و تخصیص دهندگان منابع در تصمیم گیری صحیح کمک می کند و ریسک سرمایه گذاری را تا حد امکان کاهش می دهد. بیور می گوید”:پیش بینی ها را می توان بدون اخذ تصمیم انجام داد ولی کوچکترین تصیم گیری را نمی توان بدون پیش بینی انجام داد”.
روشن است که خصوصیت عدم اطمینان، امر نامطلوبی است و از طرفی برای سرمایه گذارانی که بازار بورس را به عنوان مکان سرمایه گذاری انتخاب نموده اند، این خصوصیت اجتناب ناپذیر است. بنابراین بطور طبیعی تمام تلاش های سرمایه گذار کاهش عدم اطمینان است و از این جهت پیش بینی بازار بورس یکی از ابزارهای کاهش عدم اطمینان می باشد.
یکی از مفروضات مهمی که در بازارهای مالی وجود دارد، فرضیه بازار کارا است. بر اساس این فرضیه قیمت اوراق بهادار به ارزش ذاتی آنها نزدیک است، یعنی قیمت تعیین شده دربازار شاخص مناسبی از ارزش واقعی اوراق بهادار است.(جهانخانی،1376) از جمله مواردی که فرضیه بازار کارا را ضعیفتر میکند، قابلیت پیش بینی در این بازارها است. (نمازی،1386) آنچه سرمایه گذاران اعم از حقیقی و حقوقی را برای سرمایهگذاری در سهام شرکتها نگران میکند، نوسانات شدید قیمت های سهام میباشد.
پیش بینی قیمت سهام یکی از مهمترین و جذاب ترین فعالیت ها برای مدیران داخلی و سرمایه گذاران خارجی شرکت می باشد. در خارج از شرکت، سرمایه گذاران از این پیش بینی به عنوان اساس و مبنای انتخاب سبد سرمایه گذاری(پرتفولیو) بهینه و سودآور استفاده می کنند؛ از طرف دیگر در داخل شرکت، هدف مدیران که حداکثر سازی ثروت سهامدارن بوده از این پیش بینی در اتخاذ تصمیمات مهم و بحرانی از جمله بودجه بندی عملیاتی، سرمایه ای و تخصیص بهینه منابع به منظور دستیابی به اهداف سازمان استفاده میکنند. بنابراین روشن است که دقت پیش بینی قیمت سهام بسیار مهم و حیاتی است؛ زیرا مبنای تصمیم گیری های داخلی و خارجی قرار می گیرد. از این رو انتخاب روش پیش بینی یکی از مهم ترین تصمیمات پیش بینی کنندگان است.
بیشتر مطالعاتی که در گذشته در مورد پیش بینی قیمت انجام شده، از مدل سازی خطی و غیر خطی برای پیش بینی استفاده کرده و به مقایسه و بررسی دقت این روش ها پرداختند. در این تحقیق قصد داریم با بهره گرفتن از ترکیب مدل های غیرخطی(تبدیل موجک، شبکه های عصبی و الگوریتم ژنتیک) و مدلهای خطی به مدل سازی پیش بینی قیمت سهام بپردازیم.
1-3: ضرورت و اهمیت تحقیق
سرمایه گذاری و انباشت سرمایه در تحول اقتصادی کشور نقش بسزایی داشته است. اهمیت این عامل و نقش موثر آن را می توان به وضوح در سیستم کشورهایی با نظام سرمایه داری مشاهده کرد. بدون شک بورس یکی از مناسب ترین جایگاهها جهت جذب سرمایه های کوچک و استفاده از آنها جهت رشد یک شرکت، در سطح کلان و نیز رشد شخصی فرد سرمایه گذار است. از آنجایی که هدف و تعریف سرمایهگذاری، به تعویق انداختن مصرف جهت مصرف بیشتر در آینده است، افراد با سرمایه گذاری انتظار دستیابی به سود مورد انتظار خود را دارند. بنابراین مهمترین امر در این زمینه، خرید یک سهم به قیمت پایین و فروش آن به قیمت بالاتر است که این موضوع به معنی پیش بینی قیمت سهام است.
از دوران گشایش بازارهای اوراق بهادار همواره این فکر وجود داشته است که به کمک روشی، قیمت سهام را پیش بینی کنند و در این راه سخت افزارها و نرم افزارها، تحلیل های متفاوت مالی و مانند اینها ابداع شده و مورد استفاده قرار گرفت.(حق پرست،1386)
1-4: اهداف تحقیق
هدف اصلی تحقیق، ارائه مدلی برای پیش بینی قیمت سهام با بکارگیری شبکه عصبی درک چندلایه و تکنیک استخراج قانون از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک و ترکیب مدلهای مزبور با مدل خطی ARIMA در شرکت های عضو بورس و اوراق بهادار تهران است. علاوه بر هدف اصلی تحقیق، اهداف فرعی دیگری نیز مورد نظر هستند که در سطح پایین تری از هدف اصلی قرار می گیرند. این اهداف عبارتند از:
-کمک به س
رمایه گذاران جهت اتخاذ تصمیم های صحیح و مطلوب
-کمک به مدیران برای انجام وظیفهی حداکثر سازی ثروت سهامدارن
-تعیین مدل بهینه از میان مدل های فوق برای پیش بینی قیمت سهام
1-5: سؤالات و فرضیه های تحقیق
پس از بررسی مسئله و اهداف تحقیق و مطالعات مقدماتی درباره پاسخ های احتمالی، سؤالات تحقیق به شرح زیر قابل طرح است:
آیا سری زمانی خطی ARIMA مدل مناسبی برای پیش بینی قیمت سهام است؟
آیا شبکه عصبی درک چند لایه(MLP) در پیش بینی قیمت سهام بر مدل خطی ARIMA برتری دارد؟
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؟
آیا تکنیک استخراج قانون(ExtractionRule ) از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک در پیش بینی قیمت سهام بر شبکه عصبی درک چند لایه(MLP) برتری دارد؟
آیا ترکیب مدل ARIMA با شبکه عصبی برای پیش بینی قیمت سهام با بهره گرفتن از تبدیل موجک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد؟
آیا مدل ترکیبی تبدیل موجک، شبکه عصبی و الگوریتم ژنتیک فازی در پیشبینی شاخص قیمت نسبت به بقیه مدلهای ارائه شده از دقت بالاتری برخوردار است؟
بنابراین فرضیات اصلی تحقیق به صورت زیر خواهد بود:
فرضیه1) مدل خطی ARIMA مدل مناسبی برای پیش بینی قیمت سهام بدست می دهد.
فرضیه2) شبکه عصبی درک چند لایه(MLP) در پیش بینی قیمت سهام از مدل خطی ARIMA عملکرد بهتری را نشان می دهد.

 

اینجا فقط تکه های از پایان نامه به صورت رندم (تصادفی) درج می شود که هنگام انتقال از فایل ورد ممکن است باعث به هم ریختگی شود و یا عکس ها ، نمودار ها و جداول درج نشوند.

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید

رشته روانشناسی و علوم تربیتی همه موضوعات و گرایش ها :روانشناسی بالینی ، تربیتی ، صنعتی سازمانی ،آموزش‌ و پرورش‌، کودکاناستثنائی‌،روانسنجی، تکنولوژی آموزشی ، مدیریت آموزشی ، برنامه ریزی درسی ، زیست روانشناسی ، روانشناسی رشد

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

فرضیه3) 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.
فرضیه4) مدل ترکیبی ARIMA، شبکه عصبی درک چند لایه و تبدیل موجک نتیجه قابل قبولی برای پیش بینی قیمت سهام بدست می دهد.
فرضیه5) مدل ترکیبی تبدیل موجک، شبکه عصبی درک چند لایه و الگوریتم ژنتیک فازی در مقایسه با سایر مدلها ارائه شده از دقت بالاتری برخوردار است.
1-6: روش انجام تحقیق
هدف اصلی تحقیق حاضر، پیش بینی قیمت سهام با بهره گرفتن از مدل سری زمانی خطی ARIMA و شبکه عصبی و همچنین ترکیب شبکهی عصبی درک چندلایه یا تکنیک استخراج قانون از شبکه های عصبی با بهره گرفتن از الگوریتم ژنتیک و استفاده از تبدیل موجک برای ترکیب مدل خطی ARIMA و شبکه عصبی و همچنین استخراج قانون از مدل ترکیبی تبدیل موجک عصبی و تعیین مدل بهینه با مقایسه نتایج حاصل از روش های پیشبینی مورد استفاده است. تبدیل موجک، شبکه های عصبی و الگوریتم ژنتیک از جدیدترین و پیشرفته ترین روش های مدلسازی و پیش بینی است که چندی است از این روش ها برای پیش بینی فاکتورهای حسابداری و مالی نیز استفاده می شود. در این پژوهش ابتدا پیش بینی شاخص قیمت با بهره گرفتن از مدل سری زمانی ARIMA صورت گرفت، سپس این پیشبینی با بهره گرفتن از شبکه عصبی مصنوعی تکرار شد، در مرحله سوم برای بدست آوردن الگوی شبکه عصبی از الگوریتم ژنتیک فازی استفاده شد، سپس با بهره گرفتن از تبدیل موجک سری زمانی تا سه مرحله شکافته شد، با در نظر گرفتن این نکته که مدلهای خطی در سریهای هموار نتایج بهتری دارند؛ سری همار شده با بهره گرفتن از مدل خطی ARIMA پیشبینی شد و سری تابع جزئیات با بهره گرفتن از شبکه عصبی مصنوعی در انتهای این مرحله با بهره گرفتن از معکوس تبدیل موجک پیشبینیهای صورت گرفته با هم ترکیب شده و پیشبینی سری اصلی حصل گردید و در نهایت در الگوریتم استخراج قانون از شبکه های عصبی(الگوریتم ژنتیک فازی) به جای شبکه عصبی از مدل ترکیبی تبدیل موجک و شبکه عصبی استفاده گردید. در ادامه روش های مورد استفاده برای پیش بینی به تفکیک توضیح داده می شود.
1-6-1: مدل ARIMA
یک سری زمانی، دنباله ای از مشاهدات منظم شده بر حسب زمان از یک متغیر می باشد. در تجزیه و تحلیل سریهای زمانی تنها از داده های تاریخی متغیری که پیشبینی می شود، استفاده می کنند تا مدلی برای تخمین مقادیر آینده توسعه دهند. پیش بینی بارزترین مورد استفاده از سری زمانی میباشد، اینکار در صنعت و اقتصاد از اهمیت بالایی برخوردار است. از روش های پیش بینی سری زمانی که در پشبینی کاربرد بسیاری دارد مدل ARIMA میباشد، ولی همانند سایر مدلهای پیش بینی این مدل نیز دارای محدودیتهایی می باشد که در ادامه به برخی از آنها اشاره میشود:
در حال حاضر در مدل ARIMA روش مناسبی وجود ندارد که به محض اینکه مشاهده جدید در دسترس قرار گرفت تخمینهای پارامترهای مدل را اصلاح یا به روز نماید، و تحلیل گر ناگزیر است بطور کامل مدل را از نو برازش نماید. و همچنین پژوهشگر باید فرض نماید که تکامل آینده سری زمانی با گذشته یکسان خواهد بود، یعنی شکل مدل با زمان تغییر نخواهد کرد. عدم امتیاز نهایی مدلهای ARIMA سرمایهگذاری مورد نیاز در زمان و سایر منابع برای ساختن یک مدل رضایت بخش است. ولی این مدلها بخصوص برای سریهای زمانی که در آنها فاصله نمونه گیری خیلی کوچکند، بدلیل اینکه تاریخ نسبتا طولانی یی را به آسانی میتوان تهیه کرد، به نحو شایستهای مناسبند.(فاطمی،1375)
1-6-2: شبکه عصبی مصنوعی
شبکه های عصبی مصنوعی ابزار مدل بندی انعطاف پذیر و غیر پارامتریک هستند. آنها می توانند هر تابع پیچیده ای را با دقت مورد نظر اجرا کنند. یک شبکه عصبی مصنوعی نوعا از چندین لایه متشکل از تعدادی زیادی عناصر محاسبه گر ساخته شده است که این عناصر محاسبه گر اصطلاحا گره مینامند. هر گره یک سیگنال ورودی از دیگر گره ها، یا ورودی های خارجی دریافت میکند و پس از پردازش سیگنالها بصورت محلی به واسطه یک تابع تبدیل به گره دیگر یا نتیجه نهایی ارسال می کند. لایهی ورودی و لایهی خروجی شبکه شبیه یک سیستم ورودی-خروجی عمل میکند و ارزش نرون های ورودی را برای محاسبهی ارزش نرون خروجی مورد استفاده قرار می دهد. شبکه های عصبی با لایه های پنهان دارای توانایی های بیشتری نسبت به شبکه های عصبی دو لایه هستند.(منهاج،1377) در شبکه های عصبی ورودی p به نرون اعمال شده از طریق ضرب در وزن w، وزندار میشود و حاصل به تابع انتقال f بعنوان ورودی اعمال شده و خروجی نهایی حاصل میگردد. که در آن

Author: مدیر سایت

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *