پایان نامه ها

شبکه عصبی، شبکه های عصبی، بازار سهام

این نوع تحلیل با استفاده از «مطالعه رفتار و حرکات قیمت و حجم سهام در گذشته و تعیین قیمت و روند آینده سهم» صورت می‌پذیرد. تغییرات قیمت سهم با استفاده از پیشینه تاریخی و نمودار توسط تحلیل گر تکنیکی مورد تجزیه و تحلیل قرار می‌گیرد. این روش بیشتر مورد استفاده سفته‌بازان قرار می‌گیرد و بدین صورت قصد دارند تا بازده مورد نظر خود را در هنگام بالا رفتن قیمت سهم افزایش دهند. در واقع سرمایه گذاران با دیدگاه کوتاه مدت از این روش بهره می‌جویند.
تحلیل تکنیکی (فنی)، با آزمون قیمت‌های گذشته و حجم مبادلات حرکت‌های آینده، قیمت را پیش بینی می‌کند. اساس این تحلیل‌ها بر استفاده از نمودار و رابطه‌های ریاضی و هندسی متمرکز است تا بدین گونه روندهای کوچک و بزرگ بدست آید. در این راستا فرصت‌های خرید یا فروش از راه برآورد محدوده نوسانات بازار مشخص می‌شود.
تحلیل تکنیکی فرایند بررسی قیمت‌های تاریخی سهام در کوششی جهت تعیین قیمت‌های احتمالی آینده‌است. این کار بوسیله مقایسه روند انتظاری قیمت جاری با حرکت قیمت تاریخی قابل قیاس، انجام می‌گیرد تا نتیجه معقولی پیش‌بینی گردد. کارشناسان سنتی ممکن است این فرایند را به عنوان یک حقیقت این طور تعریف کنند که تاریخ خودش را تکرار می‌کند، حال آنکه دیگران به این گفته بسنده می‌کنند که باید از گذشته پند بگیریم.
تحلیل تکنیکی دانشی تجربی است که در طی زمان تکامل یافته و افراد بسیاری در رشد و هدایت آن نقش داشته‌اند. بدون تردید پایه‌های تحلیل تکنیکی که امروز به طور گسترده در سراسر دنیا بکار برده می‌شود، توسط بررسی‌ها و نتیجه گیری‌های چارلز داو بنا نهاده شد.
تحلیل تکنیکی یکی از روشهای تحلیل بازار و پیش بینی قیمت‌هاست. در اصل پیش بینی قیمت به دو روش اصلی امکان پذیر است:تحلیل فاندامنتال و تحلیل تکنیکال
در تحلیل تکنیکال اساس پیش بینی بر مبنای تغییرات تاکنون قیمت و روند تغییر در بازه‌های زمانی مشخص پایه گذاری شده. معامله‌گر با مشاهده چارت قیمتها و استفاده ازاندیکاتورهای لازم برای استراتژی خود، به تحلیل بازار می‌پردازد. استراتژی روش محاسبه نقاط ورود به بازار و خروج از آن است که معامله گر یا خود به آن دست یافته یا از یافته‌های دیگران استفاده می‌کند. پایه نظر تحلیل گران تکنیکالی این است که وقایع هرچه که باشند اثر خود را بر روی قیمت و در نهایت روی چارت می‌گذارند بنابراین کسی که چارت را بشناسد فارغ از اخبار و وقایع می‌تواند معامله کند. 2-5-2- اندیکاتورهای تحلیل تکنیکال
اندیاتورهای تحلیل تکنیکال نیز در واقع شاخص هایی هستند که هر کدام به نحوی اطلاعاتی را در مورد بازار منعکس می کنند، در این مقاله از مشهورترین اندیکاتورها استفاده شده است، جدول 4-2 اندیکاتورهای معروف را مرتب کرده و توضیح کوتاهی در مورد هر یک شرح می دهد.
جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال
نام اندیکاتور
توصیف
فرمول
%k
اسیلاتور تعریف شده در مدت زمان مشخص
(C_t-〖LL〗_(t-n))/(〖HH〗_(t-n)-〖LL〗_(t-n) )؛
در حالی که LLپایین ترین قیمت پایین و HH بالاترین قیمت بالا است
%D
میانگین متحرک اندیکاتور %K
(∑_0^(n-1)▒K_(t-i) )/n
Slow %D
میانگین متحرک اندیکاتور %D
(∑_0^(n-1)▒D_(t-i) )/n
Momentum
تغیر قیمت سهم در بازه مشخص
C_t-C_(t-4)
ROC
نشانگر میزان رشد در یک بازه مشخص
C_t/C_(t-n) *100
William %R
اندازه گیری فروش یا خرید بیش از اندازه
(H_t-C_t)/(H_t-L_t )*100
A/D Oscillator
اندیکاتور ویلیام با قیمت روز گذشته
(H_t-C_(t-1))/(H_t-L_t )
Disparity5
نشانگر نسبت قیمت و میانگین متحرک پنج روزه
C_t/〖MA〗_5 *100
جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول
OSCP
اندازه گیری تفاوت دو میانگین متحرک مختلف
(〖MA〗_10-〖MA〗_5)/〖MA〗_5
CCI
اندازه گیری اختلاف قیمت سهم از میانگین
(M_t-〖SM〗_t)/(0.015D_t )
M_t=〖(H〗_t+L_t+C_t)/3
〖SM〗_t=(∑_1^n▒M_(t-i+1) )/n RSI
اسیلاتوری که از صفر تا صد تغیر می کند.
100-100/(1+(∑_0^(n-1)▒〖〖UP〗_(t-i)/n)(∑_0^(n-1)▒〖〖Dw〗_(t-i))〗〗)
در حالی که UP و DW تفاوت قیمت های بالا و پایین در زمان t است
2-6- مرور پژوهش های مشابه
2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام
یون و اسوالز54 (1991) با توضیح اینکه شبکه عصبی توانایی یادگیری تابعی برای تبدیل کردن ورودی ها به خروجی ها از طریق وزن ها را دارد، کارایی آن را با Multivariate Discriminant Analysis مقایسه کرده و به این نتیجه رسیده است که کارایی شبکه عصبی به صورت معناداری بالاتر از تکنیک رقیب در پیش بینی قیمت می باشد.
وانگ اف.اس و همکاران55 (1992) تلاش کرد تا از گیت های شبکه عصبی56 برای پیش بینی بازار سهام، ریسک دارایی های کشوری و طبقه بندی سهام بازار سهام بر مبنای قوانین فازی57، قوانین احتمالی58 و قوانین بولی59 استفاده کند.
کری زانوسکی و همکاران60 (1993) تصمیم گرفت تا از شبکه های عصبی در پیش بینی بازده های مثبت و منفی بازار سهام استفاده کند. نتایح به دست آمده حاکی از 72 درصد پیش بینی صحیح در کلاس بندی بازده ها داشته و نسبت به پیش بینی با مدل قدم زدن تصادفی برتری معناداری داشتند.
دونالدسون و کمسترا61 (1996) به بررسی استفاده از شبکه های عصبی برای تلفیق کردن پیش بینی های مدل های سری های زمانی جهت پیش بینی نوسان پذیری بازارهای سهام در آمریکا می پردازد. همچنین توضیح می دهد که تلفیق به وسیله الگوریتم های غیر خطی شبکه های عصبی نتایج بهتری به دست می آید.
لاورنس62 (1997) تحقیقی در مورد کارایی شبکه های عصبی در مورد آزمون نظریه کارایی بازار سرمایه انجام داده و در ضمن با مقایسه کارایی شبکه های عصبی در تخمین قیمت اوراق بهادار، به این نتیجه می رسد که این شبکه ها عملکرد بهتری از تکنیک های آماری و رگرسیون دارند.
مشیری و کامرون63 (2000) به مقایسه کارایی شبکه های عصبی با الگوریتم پس خور بازگشتی و مدل های کلاسیک اقتصادی برای پیش بینی تورم پرداخته و نشان داده است که شبکه های عصبی قادر هستند که تورم را به خوبی مدل های کلاسیک پیش بینی کنند و تفاوت معناداری میان این دو روش پیدا نکرد.
کاناس64 (2003) به بسط و بررسی مدل های غیرخطی و مدل های خطی برای پیش بینی پرداخته و آنها را بر اساس پیش بینی های نادرست با یکدیگر مقایسه کرده است. وی به مقایسه دو مدل خطی و دو مدل غیر خطی پردخته است که مدل های خطی عبارت از standard regime switching و markov regime switching بوده و مدل های غیر خطی شامل نزدیک ترین همسایگی65 و شبکه عصبی می باشند. نتایج به دست آمده حاکی از برتری مدل های غیر خطی و در الگوریتم های غیرخطی برتری شبکه عصبی در پیش بینی بازده سهام دارند.
جاسیک و وود66 (2004) به مطالعه سیگنال های معنادار آماری و پتانسیل های کسب سود برای یک دوره جلوتر در بازار سهام پرداخت به وسیله شبکه های عصبی پرداخته و نتایج نشان دهنده برتری شبکه عصبی نسبت به مدل های کلاسیک در پیش بینی سیگنال های خرید و فروش بودند.
فیش بین67 (2002) به مبحث زمان بندی بازار سرمایه پرداخته و با طراحی مدلی به پیش بینی نقاط کسب سود و دوری جستن از نقاط افت پرداخته است. در این تحقیق از شبکه عصبی که با الگوریتم ژنتیک بهینه شده است استفاده شده که یک مکانیزم منعطف برای پیش بینی و تعیین استراتژی سرمایه گذاری پرداخته است.
جای و لی68 (2004) به مطالعه شبکه های عصبی بر مبنای الگوریتم ژنتیک بر مبنای GMT69 برای مطالعه و شناسایی الگوهای موجود در بازار سرمایه پرداخته و به این نتیجه رسیده است که استفاده از GMT تفاوت معناداری در جواب های به دست آمده از شبکه عصبی ایجاد می کند.
آلتای و ستمان70 (2005) با مطالعه بازار سهام استانبول به توانایی پیش بینی پذیری بازار از طریق پروسه های یادگیری شبکه عصبی پراخته و نتایح را با متدهای رگرسیون خطی و خرید و نگهداری مقایسه کرده و به برتری شبکه های عصبی در مقایسه با دو الگوریتم دیگر رأی داده است.
مارچسی و مورو71 (2005) با مطالعه رویکرد نوینی برای اجرای پروسه پیش بینی قیمت سهام که به صورت مفهومی توضیح داده شده بود و از الگوریتم ژنتیک به عنوان معمار شبکه های عصبی استفاده کرده بود پرداخته است. نتایج تحقیق نشان دهنده بهبود جواب های پیدا شده توسط این الگوریتم پیشنهادی داشتند اما این بهبود، معنادار نبود.
پن و تیلاراتن72 (2005) به بررسی تعدادی از جنبه های انتخاب مشخصه های ورودی و تعداد لایه های پنهان و تعداد نورون های هر لایه در شبکه عصبی عملی برای پیش بینی شاخص بازار سهام استرالیا73 AORD پرداخت. در این تحقیق که به پیش بینی جهت تغییرات شاخص پرداخته است، شبکه عصبی بهبود یافته توانست تا 80 درصد پیش بینی صحیح داشته باشد.
کیم و همکاران74 (2005) به بررسی یک متد ترکیبی از شبکه های عصبی تأخیری TDNNs75 و الگوریتم ژنتیک در زمینه شناسایی الگوهای قیمتی بازار سهام پرداخته و نشان داده است که الگوریتم ترکیبی GA-TDNNs که پیشنهاد شده است داراری عملکرد بهتری نسبت به TDNN استاندارد و شبکه های عصبی معمولی در شناسایی الگو دارد.
کاو و همکاران76 (2005) از شبکه عصبی مصنوعی برای پیش بینی جهت تغییرات قیمت سهام برای شرکت های حاضر در بورس شانگهای استفاده کرده و نتایج به دست آمده از شبکه های تک متغیره و چند متغیره عصبی حاکی از برتری آنها نسبت به مدل های خطی داشته و این برتری از لحاظ آماری معنادار بوده است. نویسنده نتیجه گرفته است که شبکه های عصبی می توانند در زمینه پیش بینی در بازارهای نوظهور مانند چین خوب عمل کنند.
یاماشیتا و هیراساوا77 (2005) با استفاده از شبکه عصبی چند شعبه ای78 برای پیش بینی قیمت سهام و شبیه سازی تغییرات آن استفاده کرده و آزمایش خود را بر روی NIKKEI 225 برای پیش بینی یک دوره جلوتر متمرکز کرده است و در نهایت به برتری معنادار این شبکه عصبی نسبت به مدل های خطی و برتری غیر معنادار نسبت به شبکه های عصبی معمولی رسیده است.
اوکانر و مادن79 (2006) کارایی استفاده از اندیکاتورهای خارجی همچون قیمت کالا و نرخ مبادله ارز را بر پیش بینی جهت تغییرات قیمت بررسی می کند. مورد مطالعه، شاخص داو جونز80 بوده و نتایج به دست آمده نشان دهنده افزایش کارایی معنادار شبکه عصبی با وارد شدن متغیرهای خروجی است.
دوتا و همکاران81 (2006) به مدل سازی بازار سهام هند82 با استفاده از شبکه های عصبی پرداخته و سپس نتایج را بررسی و کارایی این شبکه را با مدل های کلاسیک مقایسه کرده است. نتایج نشان دهنده برتری شبکه عصبی پیش رو نسبت به مدل های سری زمانی و رگرسیون چند متغیره دارند.
کانتنینو و همکاران83 (2006) به آنالیز regime switching و شبکه عصبی مصنوعی با معیارهای نوسان پذیری و پیش بینی های خارج از واقعیت در بازار سهام قبرس Cyprus stock exchange پرداخته و با مقایسه مدل های مذکور در دو معیار گفته شده، به این نتیجه رسیده است که شبکه عصبی عملکرد قابل قبول تری را ارائه می کند ولی این عملکرد بهتر از لحاظ آماری معنادار نیست.
بلینسکی و فسرک84 (2006) قیمت اوراق اختیار ر ا به وسیله شبکه عصبی پس خور بازگشتی مطالعه و پیش بینی رده و نتایج به دست آمده را با مدل بلک شولز black-scholes model، مدل بلک شولز با نوسان ضمنی volatility black-scholes model with pure implied در یک بازه پنج ساله بررسی کرده و نتایج حاکی از برتری معنادار شبکه عصبی پس خور بازگشتی نسبت به الگوریتم های کلاسیک بلک شولز داشتند.
پاندا و وی85 (2006) به پیش بینی شاخص بازار سهام هند به وسیله شبکه عصبی پرداخته و نتایج آن را با دو مدل کلاسیک شامل مدل قدم زدن تصادفی و مدل خطی اتورگرسیو86 مقایسه کرده و برای این کار از شش شاخص استفاده کرده است. نویسندگان مقاله به این نتیجه رسیدند که عملکرد شبکه عصبی در مجموع از مدل های رقیب مذکور برتر است.
لیانگ87 (2006) مطالعه ای بر روی رابطه پیچیده میان جهت تغییرات قیمت و جریان اطلاعات سهام را بر]]>

پاسخی بگذارید

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