%37تخفیف

پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

تعداد 76صفحه در فایلword

در اين تحقيق به عنوان نمونه پيش‌بيني زمان‌بندي معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدين‌صورت که ابتدا داده‌هاي اوليه که شامل 3 متغير قيمت پاياني، کمترين قيمت و بيشترين قيمت سهام طي دوره زماني 1388 تا پايان 1391 بصورت روزانه است، از سايت رسمي سازمان بورس اوراق بهادارتهران گردآوري گرديد .سپس  با استفاده از اين داده‌ها و تعريف توابع مربوطه در نرم افزار Excel شاخص‌هاي قدرت نسبي((RSI، ميانگين متحرک همگرا- واگرا(MACD)، ميانگين متحرک ساده((SMA، نوسانگر تصادفي((SO، ميانگين متحرک نمايي(EMA) و خط سيگنال(SL) محاسبه شدند. پس از گردآوري ساير داده‌ها با استفاده از رگرسيون گام به گام متغيرهاي ورودي هر شبکه عصبي فازي مربوط به هر سهم شناسايي شد. در شناسايي متغيرهاي موثر بر شاخص‌هاي تحليل تکنيکال اين نتيجه حاصل شد که شاخص‌هاي RSI، MACD و شاخص کل سهام در 70 درصد نمونه مورد بررسي بر RSI 14 روز آتي تاثير داشته‌اند. از طرفي، MACD-SL در 94 درصد نمونه مورد بررسي به عنوان متغير ورودي شبکه پيش‌بين MACD-SL 14 روز آتي درنظر گرفته شده‌است. ازميان متغيرهاي مستقل، قيمت پاياني بيشترين تکرار را (تقريبا در 76 درصد موارد) در شبکه‌هاي پيش‌بينSMA-P 14 روز آتي داشته است.  بيشترين متغيري که به عنوان ورودي شبکه‌هاي پيش‌بين EMA-P و SO 14 روز آتي شناسايي گرديد، نسبت قيمت به سود بوده‌است. از ميان کليه متغيرها دلار و طلا به نسبت کمتري به عنوان متغير ورودي درنظر گرفته شده‌است. اين ورودي‌ها در نرم افزار Matlab و از طريق رابط گرافيکي Anfisedit جهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه‌اي که پنج شبکه ANFIS براي پيش‌بيني متغيرهاي RSI ، -SL MACD، -P SMA،  SO وEMA-P 14روز آتي براي هر سهم طراحي شدند. سپس با استفاده از معيار  MSE و RMSE و درصد صحت پيش‌بيني عملکرد شبکه‌هاي ايجاد شده بررسي گرديد. نتايج نشان داد که ميانگين درصد صحت پيش‌بيني کليه شبکه‌هاي ايجاد شده (55/96%) بيشتر از حالت تصادفي (50%) است. سپس با اعمال مقررات معاملاتي مقادير پيش‌بيني شده به سيگنال تبديل شدند. سپس پيشنهاد داده شد که سيگنال نهايي سيستم طراحي شده از مجموع سيگنال‌هاي ايجاد شده توسط 5 شاخص تکنيکال مذکور بدست آيد. در مرحله بعدي جهت سنجش بازده معاملات پيشنهادي مدل ارائه با استفاده از استراتژي معاملاتي پيشنهادي تحقيق يک معامله فرضي شبيه‌سازي گرديد. سپس بازده معاملات صورت گرفته بر اساس سيگنال نهايي سيستم پيشنهادي با بازده روش‌هاي تکنيکال و روش‌هاي خريد و نگهداري (در دو حالت پيش از کسر هزينه‌هاي معاملاتي و پس از کسر هزينه‌هاي معاملاتي) مقايسه گشتند. با توجه بازدهي مثبت شاخص‌هاي SMA، EMA، SO و روش پيشنهادي مي‌توان نتيجه گرفت که مي‌توان با استفاده از اين شاخص‌هاي تحليل تکنيکال در بازار سهام ايران روند قيمت سهام را پيش‌بيني کرد. از اين ميان، روش ميانگين متحرک ساده از بالاترين اعتبار براي پيش‌بيني روند قيمت سهام برخوردار است. در نتيجه بازار بورس تهران پتانسيل بکارگيري شاخص‌هاي مختلف تحليل تکنيکي را داراست.

 

کلمات کليدي: تحليل تکنيکال، شبکه عصبي فازي، پيش‌بيني، بورس اوراق بهادار تهران.

فهرست مطالب

فصل اول: کليات پژوهش

مقدمه 1

1-1-شرح و بيان مساله پژوهشي 2

1-2-اهميت و ارزش پژوهش 3

1-3-اهداف پژوهش 3

1-4-فرضيه هاي پژوهش 3

1-5-روش پژوهش 3

1-5-1- نوع مطالعه و روش بررسي فرضيه‌ها‌ 3

1-5-2- جامعه آماري 4

1-5-3-  ابزار گردآوري داده‌ها‌ 4

1-5-4-  ابزار تجزيه و تحليل 4

1-6-واژگان کليدي 5

1-7- کلمات اختصاري 6

خلاصه 6

فصل دوم: مروري بر ادبيات موضوع

مقدمه 7

2-1- مفاهيم سرمايه گذاري 8

2-1-1- بازارهاي مالي 8

2-1-1-1-انواع بازارهاي مالي 8

2-1-1-2- بورس 9

2-1-1-2- 1- اهميت بورس اوراق بهادار 9

2-1-1-2- 2- تاريخچه بورس اوراق بهادار تهران 10

2-1-2- مفهوم سرمايه گذاري 12

2-1-3- فرايند سرمايه گذاري 12

2-1-4- روش هاي سرمايه گذاري 13

2-1-5- سهام عادی 13

2-1-6- نظريه سرمايه گذاري در بورس 14

2-1-7- بازده سرمايه گذاري 14

2-1-8- کارايي بازار سرمايه و اهميت آن در ارزيابي سهام 15

2-2- پيش بيني 16

2-2-1- روش هاي پيش بيني کيفي 16

2-2-2- روش هاي پيش بيني کمي 16

2-2-3- انتخاب روش پيش بيني 16

2-2-4- روش بنيادي 17

2-2-5- روش پيش بيني سري هاي زماني کلاسيک 18

2-2-6- روش هاي تکنيکال يا فني 19

2-3- سيستم فازی 24

2-3-1- منطق فازی 24

2-3-1-1- مجموعه‌هاي فازي 25

2-3-1-2- عملگرهاي مجموعه فازي 25

2-4- شبکه عصبي فازي 26

2-4-1- شبکه‌های عصبي مصنوعي 26

2-4-2- تاريخچه شبکه‌هاي عصبي مصنوعي 26

2-4-3- ويژگي و قابليت‌هاي شبکه‌هاي عصبي مصنوعي 27

2-4-4- تعريف شبکه عصبی قازی 28

2-4-5- نرون‌هاي فازي 28

2-4-6- قوانين فازی 30

2-4-7-سيستم‌های استنتاج فازی 30

2-4-7-1- روش‌های فازی ساز 32

2-4-7-2- روش‌های غير فازی ساز 35

2-4-7-3- سيستم استنتاج ممدانی 37

2-4-7-3- سيستم استنتاج تاکاگی-سوگنو 38

2-4-8-شبکه ‌هاي عصبي فازي چند لايه 39

2-4-9- شبکه ANFIS 39

2-4-9-1- مزايای ANFIS 41

2-4-10-‌ فرايند يادگيري در شبکه‌ 42

2-4-10-1- الگوريتم‌يادگيري پس انتشار خطا 42

2-4-10-2- ايجاد ساختار اوليه FIS 43

2-4-10-3- فرايند يادگيری در شبکه ANFIS 44

2-4-11- اندازه گيري خطا در شبکه‌هاي عصبي 44

2-4-12- نرمالسازي خطي داده‌ها در فاصله [L,H] 46

2-5- پيشينه موضوع 47

2-5-1- بررسي کارآيي‌يا عدم کارآيي بازار 47

2-5-2- امکان سنجي بکارگيري شاخص‌هاي تحليل تکنيکال در پيش‌بيني روند قيمت سهام 48

2-5-3- مروري بر پژوهشات صورت گرفته در زمينه پيش‌بيني متغيرهاي اقتصادي و مالي با استفاده از سيستم‌هاي هوشمند 49

2-5-3-1- پژوهشات داخلي 49

2-5-3-2- پژوهشات خارجي 52

خلاصه 61

فصل سوم: روش پژوهش

مقدمه.. 62

3-1- اهداف پژوهش.. 63

3-2- متغيرهاي پژوهش.. 63

3-3- فرضيه هاي پژوهش.. 65

3-4- نوع پژوهش.. 65

3-5- روش پژوهش.. 66

3-6-  جامعه آماري.. 73

3-7- ابزار گردآوري داده ها.. 73

3-8- ابزار تجزيه و تحليل.. 75

3-9-  قلمرو پژوهش.. 75

خلاصه.. 75

فصل چهارم: تجزيه و تحليل داده‌ها

مقدمه 76

4-1- انتخاب متغيرهاي ورودي 77

4-1-1- نرمال سازي داده ها 77

4-1-2- شناسايي متغيرهاي ورودي شبکه 77

4-2- پيش بيني شاخص هاي تحليل تکنيکال با استفاده از شبکه عصبي فازي 81

4-2-1- انتخاب داده هاي آزمون و آموزش 81

4-2-2- طراحي شبکه عصبي فازي 81

4-2-3- ارزيابي عملکرد شبکه 82

4-2-3-1- ارزيابي عملکرد شبکه بر اساس معيار MSE 82

4-2-3-2- ارزيابي عملکرد شبکه بر اساس معيار RMSE 85

4-3- بررسي درصد صحت پيش بيني شبکه عصبي فازي 87

4-4- بررسي معناداري تفاوت ميانگين بازدهي روش هاي معاملاتي 89

خلاصه 93

فصل پنجم: نتيجه گيري و پيشنهادها

مقدمه 94

6-1- خلاصه پژوهش 95

6-2- نتايج پژوهش 95

6-2- محدوديت هاي پژوهش 97

6-3- پيشنهادها 97

خلاصه 98

منابع فارسي 99

منابع انگليسي 103

پيوست1 107

پيوست2 117

 

 

 

 

 

 

 

 

 

فهرست جدول‌ها

جدول (1-1): کلمات اختصاري 6

جدول (2-1): خلاصه پيشينه تحقيقات داخلي 59

جدول (2-2): خلاصه پيشينه تحقيقات خارجي 60

جدول(3-1): متغيرهاي استفاده شده توسط محققين قبلي.. 63

جدول (3-2): نحوه تصميم‌گيري بر اساس شاخص RSI 69

جدول (3-3): نحوه تصميم‌گيري بر اساس SMA-P. 70

جدول (3-4): نحوه تصميم‌گيري بر اساس MACD-SL.. 70

جدول (3-5): نحوه تصميم‌گيري بر اساس EMA-P. 71

جدول (3-6): نحوه تصميم‌گيري بر اساس SO.. 72

جدول (3-7): نحوه تصميم‌گيري بر اساس سيگنال نهايي.. 72

جدول (3-8): اطلاعات نمونه مورد بررسي.. 75

جدول (4-1): متغيرهاي ورودي شبکه‌هاي عصبي فازي پيش‌بين متغيرهاي وابسته 78

جدول(4-2): تعداد و درصد فراواني حضور متغيرهاي مستقل در شبکه‌هاي عصبي فازي 80

جدول (4-3): نتايج آزمون مقايسه ميانگين 88

جدول(4-4): ميانگين بازده روزانه سهام‌هاي مورد بررسي در حالت پيش از کسر هزينه‌هاي معاملاتي        90

جدول(4-5): ميانگين بازده روزانه سهام‌هاي مورد بررسي در حالت پس از کسر هزينه‌هاي معاملاتي        91

جدول (4-6): نتايج مطالعه توصيفي بازده روزانه روش هاي مختلف 92

 

 

 

فهرست شکل‌ها

شکل(2-1): سيستم فرضي مشتمل بر چند سري زماني ورودي و يک سري زماني خروجي 19

شکل (2-2): ميانگين متحرک ساده50 و200 روزه. 21

شکل(2-3): MACD 22

شکل (2-4): RSI 23

شکل (2-5): شاخص KD 24

شکل (2-6): مدل کلي نرون فازي 28

شکل(2-7): نرون فازيAND 30

شکل(2-8):  نرون فازي OR 30

شکل(2-9): اجزای سيستم استدلال فازی…………….. 31

شکل(2-10): يک نمونه تابع عضويت مثلثی 33

شکل(2-11): يک نمونه تابع عضويت ذوزنقه‌ای……….. 34

شکل(2-12): يک نمونه تابع عضويت گوسی…………… 34

شکل(2-13): يک نمونه تابع عضويت زنگی شکل……….. 35

شکل(2-14): روش مرکز مجموع‌های سطوح 35

شکل(2-15): روش نيمساز 36

شکل(2-16): روش‌های ماکزيمم عضويت 36

شکل(2-17): سيستم استدلال فازی ممدانی با سه متغير ورودی و يک متغير خروجی 38

شکل(2-18): سيستم استنتاج فازی تاکاگی- سوگنو 39

شکل (2-19): شبکه عصبي فازي با نرون AND 39

شکل(2-20): شبکه عصبي فازي با نرون OR 39

شکل(2-21): شبکه ANFIS 41

شکل(2-22): مدل تان و همکاران (2008) 54

شکل(2-23): معماري شبکه LVQ 55

شکل(2-24): معماري شبکه PNN 56

شکل(2-25): معماري شبکه FNN 56

شکل (3-1): مدل محقق ساخته پژوهش حاضر.. 67

شکل (3-2): فرايند اجراي پژوهش حاضر.. 74

شکل(4-1): معماري شبکه ANFIS 80

نمودار(4-1): MSE داده هاي آموزش 82

نمودار(4-2): نمودار مقاديرواقعي و پيش بيني شده SO حفاري براي داده‌هاي آموزش 83

نمودار(4-3): نمودار مقاديرواقعي و پيش‌بيني شده SMA-P فاذر براي داده‌هاي آموزش 83

نمودار(4-4): MSE داده هاي آزمون 84

نمودار(4-5): نمودار مقاديرواقعي و پيش‌بيني شده SO کچاد براي داده‌هاي آزمون 85

نمودار(4-6): نمودار مقاديرواقعي و پيش‌بيني شده MACD-SL شنفت براي داده‌هاي آزمون 85

نمودار(4-7): RMSE داده‌هاي آموزش 86

نمودار(4-8): RMSE داده‌هاي آزمون 87

نمودار(4-9): درصد صحت پيش‌بيني داده‌هاي آزمون 88

نمودار(4-10): تعداد معاملات هر سهم 92

 

 

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo