Smiley face اگر پایان نامه ای که می خواهید در این بسته نبود، کلید واژه مورد نظر را به شماره 09151541506 پیامک، تلگرام یا واتساپ کنید تا به بسته اضافه شود

    این بسته شامل 20 پایان نامه در زمینه پیش بینی قیمت سهام می باشد که به صورت فایل word و pdf در اختیار شما قرار میگیرد.

تمامی پایان نامه ها مربوط به سال 90 به بعد می باشد.

بررسی روش‌های متفاوت کلاسیک و غیر کلاسیک پیش‌بینی تغییرپذیری قیمت سهام شرکت‌ها

چکیده

پیش بینی تغییرپذیری از مسایل مهم در سری زمانی مالی است . اهمیت آن به این دلیل است که میزان تغییرپذیری در افزایش و کاهش بازده قیمت تاثیر دارد . افزایش و کاهش بازده قیمت می تواند بر روی استراتژی یک سرمایه گذار بسیار موثر باشد . لذا ، در این پایان نامه ابتدا ، به بیان پیش بینی تغییرپذیری و تعریف مربوط به آن می پردازیم ، سپس روش های کلاسیک و غیر کلاسیک پیش بینی تغییرپذیری را بیان می کنیم. در فصل اول ، کلیات و مفهوم های اصلی به کار رفته در پیش بینی تغییرپذیری را می آوریم . در فصل های دوم و سوم به ترتیب مدل های کلاسیک و غیر کلاسیک پیش بینی تغییرپذیری قیمت سهام را بیان می کنیم . در فصل چهارم ، مطالب ارایه شده در فصل های دوم و سوم را در مورد یک شرکت خارجی و دو شرکت ایرانی با استفاده از نرم افزار R پیاده سازی می کنیم و مدلی که دارای کم ترین خطا است را به عنوان بهترین مدل انتخاب می کنیم .

فصل اول: کلیات تحقیق 1
1– 1 مقدمه 2
1 – 2 بیان مسئله 2
1 – 2 – 1 تغییرپذیری 3
1 – 2 – 2 تفاوت تغییرپذیری با ریسک 4
1 – 2 – 3 اهمیت تغییرپذیری 4
1 – 2 – 4 پیش بینی تغییرپذیری 4
1 – 2 – 5انواع پیش بینی تغییرپذیری 5
1 – 2 –6 آماره های خطا 6
1 – 3 پیشینه تحقیق 7
1 – 4 تعریف ها و مفاهیم اولیه 10
1– 5 خلاصه فصل و چشم انداز 12
فصل دوم : پیش بینی تغییر پذیری قیمت سهام با استفاده از مدل های کلاسیک 14
2 – 1 مقدمه 15
2 – 2 خطاهای پیش بینی تغییرپذیری 15
2 – 2 – 1 آماره های خطای متقارن 16
2 – 2 – 2 آماره های خطای نامتقارن 17
2 –3 اهداف مهم در سری های زمانی 17
2 – 4اجزای یک سری زمانی 18
2 –4– 1 مفهوم روند 18
2 –4– 2 مفهوم سیکل 18
2 –4– 3 مفهوم تغییرات فصلی 19
2 –4– 4 مفهوم تغییرات نامنظم 19
2 – 5روش های پیش بینی 19
2 –6 مدل های کلاسیک برای پیش بینی تغییرپذیری قیمت سهام 20
2 –6– 1 مدل ARMA 21
2–6–2 مدل قدم زدن تصادفی 23
2–6–3 مدل میانگین تاریخی 23
2–6–4 مدل میانگین متحرک 24
2–6–5 مدل هموارسازی 25
2 – 7 روش های وزن دهی 26
2 – 7 – 1 روش میانگین متحرک ساده 26
2 – 7 – 2 روش هموارسازی نمایی ساده 27
2–6–6 مدل میانگین متحرک وزنی 28
2–6–7 مدل میانگین متحرک وزنی نمایی 29
2–6–8 مدل رگرسیونی 29
2 – 8 خلاصه فصل 30
فصل سوم: پیش بینی تغییر پذیری قیمت سهام با استفاده از مدل های غیر کلاسیک 32
3 – 1 مقدمه 33
3 – 2 نوفه سفید 33
3 – 3 مدل های سری های زمانی غیرکلاسیک پیش بینی تغییرپذیری قیمت سهام 34
3 – 3 – 1 مدل های آرچ 36
3 – 3 – 2 مدل های گارچ 39
3– 3 – 2 –1ویژگی های مدلGARCH 40
3 – 3 – 2 –2ضعف های مدل های آرچ وگارچ 42
3 – 4 خلاصه فصل 42
فصل چهارم: کاریرد در شرکت های بورس 45
4– 1 مقدمه 46
4–2 مثال ها 46
4–3نتیجه گیری 72
مرجع ها 73
ضمیمه
واژه نامه ی فارسی به انگلیسی

 

پیش‌بینی قیمت سهام با استفاده از نظر متخصص و سیستم فازی – عصبی

چکیده

در جوامع امروزی رویکردهای مختلفی برای سرمایه گذاری پدیدار شده است و این روش‌ها اگر از اصول منطقی و قابل اعتماد بهره برده باشند ، مورد توجه افراد قرار می گیرند. سرمایه گذاری برای سهام از جمله روش‌هایی است که در این حیطه مورد استقبال افراد مختلف می‌باشد، به طوری که محققین را بر آن کرده است تا مدل‌ها و روش‌هایی در این باب چه در زمینه ی آموزش و چه در زمینه ی پیش‌بینی‌های آتی توسعه دهند. در حیطه پیش‌بینی مدل‌ها و روش‌های مختلفی گسترش یافته است که می‌توان در دو گروه پیش‌بینی سری‌های زمانی و پیش‌بینی قیمت سهام آن‌ها را جای داد. برای پیش‌بینی قیمت سهام باید این نکته را بیان کرد که اکثر تحقیقات براساس سوابق گذشته هستند و کمتر تحقیقاتی به بررسی نظر خبرگان و اخبار موجود که تاثیر به سزایی بر روی تغییر روند قیمت سهام دارد، پرداخته‌اند. تحقیقاتی که از نظر متخصصان استفاده کرده‌اند به ندرت از روشی قوی برای پیش‌بینی بهره برده اند و این لزوم به کار بردن نظر متخصصان با مدل پیش‌بینی توانمند را بازگو می‌کند.با درنظر گرفتن سرمایه گذاری رو به افزایش در سهام‌های شرکت های مختلف در این تحقیق به این موضوع پرداخته شده است. در این مطالعه به گردآوری مقالات موجود در حیطه ی پیش‌بینی قیمت و سری‌های زمانی سهام و بررسی رویکردهای استفاده شده پرداخته شده است. در ادامه به معرفی موضوع و ضرورت آن اشاره می‌شود. در مرحله اول از اجرا مدلی با ترکیب روش‌های شبکه‌های عصبی و الگوریتم‌های بهینه‌ساز ژنتیک و غیره برای بررسی قیمت سهام در بازار بورس ایران پیشنهاد شده است. در مرحله بعد مدل پیشنهادی با درنظر گرفتن نظر متخصصان و داده‌های فازی به توسعه ی مدل پیش‌بینی قیمت سهام پرداخته شده است.

فهرست مطالب
عنوان صفحه
فصل اول: کلیات موضوع ۱
۱-۱) تاریخچه بورس ۲
۱-۲) بیان مساله ۵
۱-۳) اهمیت انجام تحقیق ۷
۱-۴) کاربردهای موضوع ۸
۱-۵) جنبه‌های جدید بودن موضوع ۸
فصل دوم: پیشینه ی تحقیق ۹
۲-۱) مقدمه ۱۰
۲-۲) توضیحات مختصر برخی روش‌ها ۱۰
۲-۳) پیشینه ی موضوع ۱۳
۲-۳-۱) پیش‌بینی با شبکه‌های عصبی و روش‌های دوگانه ۱۴
۲-۳-۲) روش‌های فازی و شبکه‌های عصبی فازی ۲۲
۲-۳-۳) روش‌های دیگر ۳۱
۲-۳-۴) استفاده از نظر متخصصان و خبرها ۳۳
۲-۳-۵) مدل‌های آماری ۴۰
۲-۳-۶) نکته ۴۴
فصل سوم: پیش‌بینی قیمت سهام بازار بورس ایران با استفاده از شبکه عصبی و نظر متخصصان ۴۸
۳-۱) مقدمه ۴۹
۳-۲) شرح مساله ۴۹
۳-۳) اجرا و تحلیل مرحله اول ۵۴
۳-۴) اجرا و تحلیل مرحله دوم ۶۳
فصل چهارم: نتیجه‌گیری و پیشنهادات ۶۹
۴-۱) مقدمه ۷۰
۴-۲) نتیجه ۷۲
۴-۳) محدودیت‌ها ۷۴
۴-۴) پیشنهادات ۷۵
منابع ۷۶
منابع انگلیسی ۷۶
منابع فارسی ۸۱
پیوست ۸۳

پیش‌بینی قیمت سهام با استفاده از نظر متخصص و سیستم فازی – عصبی

چکیده

در جوامع امروزی رویکردهای مختلفی برای سرمایه گذاری پدیدار شده است و این روش‌ها اگر از اصول منطقی و قابل اعتماد بهره برده باشند ، مورد توجه افراد قرار می گیرند. سرمایه گذاری برای سهام از جمله روش‌هایی است که در این حیطه مورد استقبال افراد مختلف می‌باشد، به طوری که محققین را بر آن کرده است تا مدل‌ها و روش‌هایی در این باب چه در زمینه ی آموزش و چه در زمینه ی پیش‌بینی‌های آتی توسعه دهند. در حیطه پیش‌بینی مدل‌ها و روش‌های مختلفی گسترش یافته است که می‌توان در دو گروه پیش‌بینی سری‌های زمانی و پیش‌بینی قیمت سهام آن‌ها را جای داد. برای پیش‌بینی قیمت سهام باید این نکته را بیان کرد که اکثر تحقیقات براساس سوابق گذشته هستند و کمتر تحقیقاتی به بررسی نظر خبرگان و اخبار موجود که تاثیر به سزایی بر روی تغییر روند قیمت سهام دارد، پرداخته‌اند. تحقیقاتی که از نظر متخصصان استفاده کرده‌اند به ندرت از روشی قوی برای پیش‌بینی بهره برده اند و این لزوم به کار بردن نظر متخصصان با مدل پیش‌بینی توانمند را بازگو می‌کند.با درنظر گرفتن سرمایه گذاری رو به افزایش در سهام‌های شرکت های مختلف در این تحقیق به این موضوع پرداخته شده است. در این مطالعه به گردآوری مقالات موجود در حیطه ی پیش‌بینی قیمت و سری‌های زمانی سهام و بررسی رویکردهای استفاده شده پرداخته شده است. در ادامه به معرفی موضوع و ضرورت آن اشاره می‌شود. در مرحله اول از اجرا مدلی با ترکیب روش‌های شبکه‌های عصبی و الگوریتم‌های بهینه‌ساز ژنتیک و غیره برای بررسی قیمت سهام در بازار بورس ایران پیشنهاد شده است. در مرحله بعد مدل پیشنهادی با درنظر گرفتن نظر متخصصان و داده‌های فازی به توسعه ی مدل پیش‌بینی قیمت سهام پرداخته شده است.

فهرست مطالب
عنوان صفحه
فصل اول: کلیات موضوع 1
1-1) تاریخچه بورس 2
1-2) بیان مساله 5
1-3) اهمیت انجام تحقیق 7
1-4) کاربردهای موضوع 8
1-5) جنبه‌های جدید بودن موضوع 8
فصل دوم: پیشینه ی تحقیق 9
2-1) مقدمه 10
2-2) توضیحات مختصر برخی روش‌ها 10
2-3) پیشینه ی موضوع 13
2-3-1) پیش‌بینی با شبکه‌های عصبی و روش‌های دوگانه 14
2-3-2) روش‌های فازی و شبکه‌های عصبی فازی 22
2-3-3) روش‌های دیگر 31
2-3-4) استفاده از نظر متخصصان و خبرها 33
2-3-5) مدل‌های آماری 40
2-3-6) نکته 44
فصل سوم: پیش‌بینی قیمت سهام بازار بورس ایران با استفاده از شبکه عصبی و نظر متخصصان 48
3-1) مقدمه 49
3-2) شرح مساله 49
3-3) اجرا و تحلیل مرحله اول 54
3-4) اجرا و تحلیل مرحله دوم 63
فصل چهارم: نتیجه‌گیری و پیشنهادات 69
4-1) مقدمه 70
4-2) نتیجه 72
4-3) محدودیت‌ها 74
4-4) پیشنهادات 75
منابع 76
منابع انگلیسی 76
منابع فارسی 81
پیوست 83

بررسی رابطه‌ی خطای پیش‌بینی سود و ریسک سقوط قیمت سهام

چکیده

این پژوهش به بررسی رابطه خطای پیش بینی سود و ریسک سقوط قیمت سهام شرکتهای پذیرفته شده بورس اوراق بهادار تهران می پردازد در این تحقیق خطای پیش بینی سود متغییر مستقل و ریسک سقوط قیمت سهام متغییر وابسته است که جامعه ی آماری مورد مطالعه این پژوهش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران میباشد با استفاده از روش نمونه گیری حذفی، 109 شرکت پذیرفته شده در بورس اوراق بهادار تهران انتخاب و برای آزمون فرضیه های تحقیق از آزمون رگرسیون داده های ترکیبی استفاده شده است در این پژوهش یک فرضیه طراحی ودربازه زمانی پنج ساله (1389الی1393) مورد آزمون قرارگرفت نتایج تحقیق حاکی از آن است که بین خطای پیش بینی سود و ریسک سقوط قیمت سهام رابطه معناداری وجود ندارد

فصل اول) کلیات تحقیق 1
1-1مقدمه 2
1-2 بیان مسئله 4
1-2-1 پژوهش بال و براون 4
1-3 فرضيه‏هاي تحقيق 7
1-4 اهميّت و ضرورت تحقيق 7
1-5 اهداف تحقیق 8
1-6 حدود مطالعاتی تحقیق 8
1-6-1 قلمرو مکانی تحقیق 8
1-6-2 قلمرو زمانی تحقیق 8
1-6-3 قلمرو موضوعی تحقیق 9
1-7 تعریف واژگان و اصطلاحات کلیدی 9
1-7-1 خطای پیش‏بینی سود 9
1-7-2 بازده مورد انتظار 9
1-7-3 بازده غیرعادی 9
1-7-4 بازده واقعی (تحقق‏یافته) 9
فصل دوم) مروری بر ادبیات تحقیق 10
2-1 مقدمه 11
2-2 چارچوب نظري تحقيق 11
2-3 سودمندي محتواي اطلاعاتي سود و واكنش بازار سرمايه 13
2-4 مفاهيم سود در حسابداري 15
2-5 تاريخچه پيش¬بيني سود 16
2-6 سود سهام پيش¬بيني شده 18
2-7 اهميت سود سهام پيش¬بيني شده 18
2-8 دقت پيش¬بيني سود در عرضه اوليه سهام 19
2-9 روش¬هاي پيش¬بيني سود 20
2-10 مدل باكس ـ جنكينز 21
2-11 بازده 22
12 ـ 2 بازده تحقق يافته در مقابل بازده مورد انتظار 23
2-12-1 بازده تحقق يافته 23
2-12-2 بازده مورد انتظار 24
2-13 اجزاي بازده 24
2-13-1 سود دريافتي 24
2-13-2 سود (زيان) سرمايه 24
2-14 بازده غيرعادي سهام 25
2-15 قیمت سهام 29
2-16 سقوط قیمت سهام 29
2-17تعیین قیمت سهام 30
2-18 اطلاعات جدید و سرعت تعدیل قیمتهای سهام 33
2-19 محتواي اطلاعاتي قيمت سهام 34
2-20 دو دیدگاه در مورد تغییرات گذشته قیمت سهام برای پیش بینی قیمت در آینده 37
2-21 نوسانات قیمت سهام ناشی از انتشار اطلاعات 38
2-22 پیشینه تحقیق 40
2-22-1 پژوهش خارجی 40
2-22-2 پیشینه داخلی 42
فصل سوم) روش اجرای تحقیق 46
3-1 مقدمه 47
3-2 روش پژوهش 47
3-3 فرضیه پژوهش 47
3-4 نمونه وجامعه آماری 48
3-5 روش ها و ابزارهای جمع آوری اطلاعات 49
3-6 متغیرهای پژوهش و شیوه اندازه‏گیری متغیرها 49
3-6-1 ریسک سقوط قیمت سهام 49
3-7 خطای پیش‏بینی سود 51
3-7-1 متغیر کنترلی 51
3-7-2 روش کمی وآماری 51
فصل چهارم) تجزیه و تحلیل داده‏ها 52
4-1 مقدمه 53
4-2 نتايج آمار توصيفي 53
4-3 تحلیل ماهیت و ویژگی¬های متغیرهای تحقیق 54
4-4 نتایج برآورد مدل درخطای پیش بینی سود و ریسک سقوط قیمت سهام 54
4-5 نتایج آزمون نهایی 55
فصل پنجم) بحث، نتیجه گیری و پیشنهادات 56
5-1 مقدمه 57
5-2 نتیجه گیری تحقیق 57
5-3 پیشنهادها 58
5-3-1 پيشنهادهايي مبتني بر تحقیق 59
5-3-2 پیشنهادهایبرای پژوهش های آتی 59
5-4 محدودیت های تحقیق 59
منابع فارسی 61
منابع انگلیسی 62
پیوستها 64
آزمون stata 66
اسامی شرکتهای نمونه 69
چکیده انگلیسی 71

 

سیستم خبره جهت پیش‌بینی قیمت سهام و مشاوره جهت خرید سهام بورس اوراق بهادار تهران

چکیده

مساله مهم برای تصمیم گیری در معاملات سهام، انتخاب سهام مناسب در زمان مناسب است به این منظور بایستی عملیات رتبه بندی بر اساس معیارها و ضوابط صورت گرفته و سهام برتر برای سرمایه گذاری انتخاب گردند هدف از این پایان نامه، ارائه یک سیستم خبره مشاوره خرید سهام و پیش بینی تقریبی رشد قیمت سهام بورس در آینده و توصیه سبد سهام به مشتریان در بورس می باشداین سیستم بر اساس توزیع پرسشنامه و انتخاب معیار های مهم و ارجحیت معیارها نسبت به هم و با روش تحلیل سلسله مراتبی (AHP) رتبه بندی سهام را از بهترین سهم تا بدترین سهم انجام می دهد این رتبه بندی بر اساس سهامی است که سرمایه گذار به عنوان ورودی به سیستم وارد نموده و سیستم با استفاده از پارامترهای یادشده، رتبه بندی سهام را انجام می دهد جهت آزمایش سیستم، 5 سهم به صورت تصادفی از 5 صنعت مختلف مورد بررسی و ارزیابی قرار گرفته و آزمایش بر روی این 5 سهم نشان داد که سیستم خبره به درستی کار می کند و می توان از آن در سرمایه گذاری بورس اوراق بهادار تهران استفاده نمود

چکیده 1
مقدمه 2
فصل اول:کلیات
1- 1 مقدمه 5
1-2 کلیات
1-2-1 بورس اوراق بهادار تهران 6
1-2-2 آیتم های مهم معاملات سهام 6
1-2-3 فرآید معاملات 8
1-2-4 کارگزاران 8
1-2-4-1 افتتاح حساب و دریافت کد معاملاتی 9
1-2-5 خرید و فروش سهام 9
1-2-5-1 فرم درخواست خرید 9
1-2-5-2 فرم درخواست فروش 9
1-2-6 تطبیق معاملات 10
1-2-7 کارمزد ها و مالیات 11
1-2-8 تسویه معاملات 11
1-3 آیتم های مهم سهم 11
1-3-1 سود هر سهم (EPS) 12
1-3-1-1 سود هر سهم 12
1-3-1-2 اهمیت سود هر سهم 12
1-3-1-3 اشکالات سود هر سهم 12
1-3-1- 4 روند تغییرات سود 13
1-3-2 نسبت قیمت به سود(P/E) 13
1-3-2-1 P/E 13
1-3-2-2 P/E ابزاری برای ارزش گذاری 14
1-3-3 سهام شناور 15 1-3-4 سود تقسیم شده بین سهامداران (DPS) 15
1-4 فرآیند تحلیل سلسله مراتبی (AHP) 16
1-4-1 انتخاب معیار ها 16
1-4-2 ارجحیت معیار ها 16
1-4-3 وزن معیار ها 16
1-5 بیشینه تحقیق 17
1-6 هدف 19
فصل دوم : سیستم خبره جهت مشاوره خرید سهام
2-1 مقدمه 21
2-2 طراحی 22
2-2-1 شناسایی فاکتور های مهم 22
2-2-2 معیار های مهم انتخاب سهام 24
2-2-2-1 سود تقسیمی در مجمع 24
2-2-2-2 نسبت قیمت به سود 24
2-2-2-3 پروژه های شرکت 25
2-2-2-4 بازار محصولات و خدمات 25
2-2-2-5 سهامداران عمده 26
2-2-2-6 حجم معاملات گذشته 26
2-2-2-7 اخبار و اطلاعات پیرامون سهم 26
2-2-2-8 گزارش حسابرسی 27
2-2-3 فرآیند تحلیل سلسله مراتبی 27
2-2-3-1 ارجحیت هر معیار نسبت به سایر معیار ها 28
2-2-3-2 تعیین وزن نسبی معیار ها 29
2-2-3-3 ارجحیت هر سهم نسبت به سایر سهام 29
2-2-3-4 وزن هر سهم بر اساس معیارها 31
2-2-3-5 تحلیل نتایج جداول و تعیین وزن نهایی 32
2-2-3-6 تعیین اولویت خرید سهام 32

فصل سوم: پیادره سازی و نتایج شبیه سازی
3-1 اطلاعات و آمار های بدست آمده 35
3-1-1 آمار ها 35
3-1-2 قیمت سهام در بازه مورد نظر 36
فصل چهارم: نتیجه گیری و پیشنهادات
4-1 نتیجه گیری 39
4-2 پیشنهادات 39
پیوست 1 پرسشنامه 40
پیوست 2 فرم فروش سهام 41
فهرست منابع 42
چکیده انگلیسی 43

 

پیش‌بینی قیمت سهام بورس اوراق بهادار با روش ترکیبی تجزیه حالت تجربی دسته‌ای و خودرگرسیو میانگین متحرک انباشته

چکیده

با توجه به توسعه و پیشرفت روش‌های پیش‌بینی در بازارهای مالی، سرمایه‌گذاران همواره به دنبال روش‌هایی برای پیش‌بینی قیمت آتی سهام می‌باشند تا بتوانند سود سرمایه خود را افزایش دهند. بر همین اساس انتخاب روشی مناسب و صحیح برای پیش‌بینی قیمت اهمیت شگرفی پیدا می‌کند. هدف از انجام این مطالعه معرفی روش جدیدی برای پیش‌بینی قیمت سهام در بورس اوراق بهادار با استفاده از روش ترکیبی تجزیه حالت تجربی دسته‌ای (EEMD) و خودرگرسیو میانگین متحرک انباشته (ARIMA) می‌باشد. در این تحقیق، از قیمت هفتگی سهام فولاد مبارکه اصفهان و ایران خودرو در دوره 5 ساله از تیرماه 1390 تا آذرماه سال 1395 استفاده شده است. در مدل پیشنهادی ابتدا با استفاده از تجزیه EEMD سری قیمت سهام به تعدادی تابع مد ذاتی (IMF) تجزیه شده است. سپس هر IMF با استفاده از مدل ARIMA پیش‌بینی‌شده و در مرحله نهایی، برای به دست آوردن پیش‌بینی نهایی، سری‌های زمانی پیش‌بینی‌شده باهم ترکیب شده‌اند. برای مقایسه عملکرد از روشARIMA و روش ترکیبی Wavelet- ARIMAاستفاده شده است. با استفاده از معیارهای ارزیابی DS، RMSE وMAPE مشخص شد که مدل پیشنهادی نسبت به مدل ARIMA و Wavelet-ARIMA در تعیین درستی جهت پیش‌بینی بهتر و خطای کمتری در پیش‌بینی قیمت دارا می-باشد.

فصل 1: مقدمه 1
1-1 مقدمه 2
1-2 پیش‌زمینه پژوهش 2
1-3 مسئله پژوهش 3
1-4 اهداف پژوهش 4
1-5 روش شناسی پژوهش 4
1-6 خلاصه فصل 6
فصل 2: مروری بر مطالعات انجام شده 8
2-1 مقدمه 9
2-2 مدلهای نظری 9
2-2-1 روش فوریه 10
2-2-2 تبدیل فوریه زمان کوتاه 13
2-2-3 موجک 15
2-2-4 روش EMD 17
2-2-5 روش EEMD 20
2-2-6 سریهای زمانی یک متغیره 23
2-2-7 فرآیند میانگین متحرک 28
2-2-8 فرآیند اتورگسیو 29
2-2-9 فرآیند اتورگرسیو میانگین متحرک 29
2-2-10 خودرگرسیو میانگین متحرک انباشته 31
2-3 مروری بر ادبیات موضوع 32
2-4 خلاصه فصل 36
فصل 3: روش تحقیق 37
3-1 مقدمه 38
3-2 اهداف پژوهش 38
3-3 مرور اجمالی روش‌های موجود 39
3-4 تبیین روش مورد استفاده 39
3-4-1 روش تجزیه حالت تجربی دسته‌ای 40
3-4-2 مدل خودرگرسیو میانگین متحرک انباشته 42
3-5 نحوه انجام پژوهش 44
3-6 روش‌های گردآوری داده‌ها و اندازه‌گیری متغیرهای پژوهش 45
3-6-1 معیارهای ارزیابی 45
3-7 خلاصه فصل 46
فصل 4: تجزیه و تحلیل دادهها 48
4-1 مقدمه 49
4-2 سازمان‌دهی و توصیف داده‌ها 49
4-3 ارائه و تفسیر یافته‌ها 50
4-3-1 مدل ترکیبی EEMD-ARIMA 51
4-3-2 روش ترکیبی تبدیل Wavelet-ARIMA 59
4-3-3 معیارهای سنجش عملکرد 60
4-4 خلاصه فصل 71
فصل 5: بحث و نتیجه گیری 72
5-1 خلاصه یافته‌ها 73
5-2 پیشنهاد‌ها 75
منابع و مراجع 77
پیوست 81

پیش‌بینی مقدار اکسترمم قیمت آتی سهام شرکت‌های منتخب فعال در بورس اوراق بهادار با استفاده از محاسبات نرم

چکیده

پیش‌بینی دقیق روند آینده بورس همواره ذهن سهامداران، تولیدکنندگان، سیاست‌گذاران و سایر افراد درگیر در حوزه‌های مرتبط را به خود مشغول کرده است، در این راستا این سوال پیش می‌آید که آیا صرف نظر از الگوهای تکنیکال روشی برای کمک به تصمیم تحلیلگر تکنیکال وجود دارد که با وجود مشاهده نزولی یا صعودی بودن روند قیمت، استراتژی کاربران را در چند روز آتی پیش بینی نماید؟ هدف این پژوهش پیش‌بینی هرچه بهتر روند آینده قیمت سهام با استفاده از تخمین مقدار اکسترمم‌ها و همچنین فاصله زمانی بین آن‌ها می‌باشد. برای تحقق این امر از روش‌های محاسبات نرم بهره گرفته شده است، بدین ترتیب که با تلفیق شبکه‌های عصبی پرسپترون و قابلیت‌های الگوریتم ژنتیک چهار رویکرد مختلف بدست آمده است. چهار رویکرد مختلف بر روی داده سری زمانی قیمت چهار سهام متفاوت پیاده سازی‌ شده اند و نتایج حاصل مورد بررسی و تحلیل قرار گرفته اند. در این پژوهش ضمن مقایسه نتایج حاصل از چهار رویکرد و انتخاب بهترین رویکرد برای داده بازار سهام، پارامترهای بهینه برای بهترین پیش‌بینی دا ده سهام با کمترین خطا بدست آمده اند. مشاهدات حاصل از پیاده‌سازی چهار رویکرد مذکور نشان داد که رویکرد دوم ترکیب شبکه عصبی با قسمتی از الگوریتم ژنتیک بهترین دقت پیش‌بینی را با کمترین خطا(MSE) دارد. بنابرین نتایج حاکی از قابلیت بالای روش‌های محاسبات نرم در پیش‌بینی بورس دارند.

فصل اول: کلیات تحقیق 1
1-1- مقدمه 2
1-2- بیان مسئله 3
1-3- ضرورت انجام تحقیق 4
1-4- قلمرو تحقیق 5
1-5- روش انجام تحقیق 5
1-6- اهداف تحقیق 5
1-7- سوال تحقیق 5
1-8- فرضیه های تحقیق 6
1-9- کاربردهای تحقیق 6
فصل دوم: ادبیات و پیشینه تحقیق 7
2-1- مقدمه 8
2-2- نظریه بازار کارا 10
2-2-1- گونههای سه گانه کارایی بازار سرمایه 12
2-3- سیستم معاملاتی 15
2-4- سیاست معاملاتی 16
2-5- تحلیل فنی 16
2-5-1- تعاریف تحلیل فنی 16
2-5-2- فرضیات کلیدی تحلیل فنی 17
2-5-3- موارد کاربرد تحلیل فنی 19
2-5-4- نقاط گردش 19
2-5-5- اطلاعات نمایشی بر روی یک نمودار تحلیل فنی 19
2-5-6- روندها در تحلیل فنی 20
2-5-7- ابزارهای تشخیص روند 20
2-6- سابقه تحقيقات داخلی انجام شده 29
2-6-1- روشهای آماری 29
2-6-2- روشهای هوش مصنوعی 30
2-7- سابقه تحقيقات خارجی انجام شده 32
2-7-1- روشهای آماری 32
2-7-2- روشهای هوش مصنوعی 36
فصل سوم: روش¬شناسی تحقیق 50
3-1- مقدمه 51
3-2- شبکههای عصبی 51
3-2-2- تعريف شبكه هاي عصبي مصنوعي : 53
3-2-3- -شبکه های عصبی پرسپترون چند لایه (MLP) 57
3-3- الگوریتم ژنتیک 60
3-3-2- برخي از كاربرد الگوريتم‏هاي ژنتيكي 65
3-4- متدولوژی تحقیق 65
3-4-2- رویکرد اول 66
3-4-3- رویکرد دوم 67
3-4-4- رویکرد سوم 68
3-4-5- رویکرد چهارم 68
3-5- گام های کلی مسئله 68
فصل چهارم: تحلیل نتایج 70
4-1- مقدمه 71
4-2- پیش پردازش داده 71
4-3- آمار توصیفی داده 71
4-3-1- اخابر 71
4-3-2- عملکرد سایر شرکتها 78
4-4- مقایسه عملکرد شبکه عصبی با روش ARIMA 84
فصل پنجم نتایج و پیشنهادات آتی 86
5-1- مقدمه 87
5-2- نتیجه 87
5-3- پیشنهادات آتی 88

 

پیش بینی شاخص قیمت سهام در بخش مالی و صنعتی بورس تهران با استفاده ازشبکه عصبی

چکیده

سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از مفاهیم مهم در بازارهای مالی می باشد و قیمت سهام و نوسانات آن و پیش بینی قیمت سهام در آینده مسیر تاثیر مهمی بر رفتار مشارکت کنندگان در بازار سهام دارد در پژوهش حاضر تلاش شده است تا شاخص قیمت سهام در دو بخش مالی و صنعتی در بازار بورس اوراق بهادار تهران با استفاده از روش ARIMA , ARDL و روش شبکه عصبی مصنوعی (ANN) پیش بینی شود برای این منظور با استفاده از داده های سالهای 1370-1393 در دوره زمانی فوق سالهای 1389-1370 برای دوره آزمایش و یادگیری و برای آزمون از سالهای 1390-1393 استفاده شده است نتایج برآورد مربوط به پیش بینی قیمت سهام در بخش مالی و صنعت نشان می دهد که قدرت توضیح دهندگی پیش بینی براساس روش شبکه عصبی در مقایسه با روش های ARIMA , ARDL بالاتر می باشد

فهرست مطالب
عنوان صفحه
فصل اول کلیات تحقیق
-۰-۰مقدمه ۰
– ۲-۰بیان مسئله ۷
-۷-۰اهداف پژوهش ۷
-۴-۰قلمرو تحقیق : ۷
– ۵-۰سؤالهای پژوهش: ۴
-۶-۰فرضیه های پژوهش: ۴
-۳-۰تعریف واژه ها : ۴
-۰-۳-۰نرخ بهره ۴
-۲-۳-۰نقدینگی ۵
-۷-۳-۰رشداقتصادی ۵
-۴-۳-۰تورم ۵
-۵-۳-۰قیمت سهام ۶
فصل دوم ادبیات پژوهش
– ۰-۲مقدمه ۳
-۲-۲شاخص ۳
-۰-۲-۲شاخص قیمت سهام ۳
-۲-۲-۲ویژگی های شاخص تپیکس (۳ :)TEPIX
-۷-۲مبانی نظری ارتباط شاخص قیمت سهام و متغییر های کلان اقتصادی ۰۱
۰-۷-۲نظریه سبد دارایی ۰۰
-۴-۲اثر نرخ ارز بر شاخص قیمت سهام ۰۰
-۵-۲اثر حجم نقدینگی برشاخص قیمت سهام ۰۲
-۶-۲اثر نرخ سود بانکی بر قیمت سهام ۰۷
-۳-۲اثر نرخ تورم بر شاخص قیمت سهام ۰۴
-۳-۲اثر تولید ناخالص داخلی بر شاخص قیمت سهام ۰۴
-۳-۲بازار سرمایه ۰۵
-۰۱-۲تعریف بورس ۰۶
ح
-۰۰-۲تاریخچه بورس ۰۶
-۰۲-۲بورس اوراق بهادار تهران ۰۳
-۰۷-۲پیشینه پژوهش: ۲۱
فصل سوم روش تحقیق
-۰-۷مقدمه ۷۴
-۲-۷نوع پژوهش ۷۵
-۷-۷فرضیه های پژوهش ۷۵
-۴-۷پیش بینی ۷۵
-۵-۷معرفی متغییرها ۷۶
-۶-۷سریهای زمانی یک متغیره ۴۳
-۳-۷روش پژوهش مدل ۴۳ ARIMA
۴۳ ARIMA -تاریخچه۰-۳-۷
-۲-۳-۷ویژگیهای روش ۴۳ ARIMA
-۷-۳-۷باکس_ جنکینز ۵۱
-۴-۳-۷فرآیند میانگین متحرک )۵۰ MA(q
-۵-۳-۷فرآیند خودرگرسیون)۵۰ AR(p
۵۲ ARMA)p , q(-فرایند۶-۳-۷
۵۲ ARIMA(p , q)-فرآیند۳-۳-۷
-۳-۳-۷شبکه عصبی مصنوعی ۵۷
– ۰-۳-۳-۷تاریخچه شبکههای عصبی مصنوعی ۵۷
۲-۳-۳-۷اساس شبکه های عصبی مصنوعی ۵۴
– ۳-۳-۷نرون بیولوژیکی ۵۴
۵۵ -لایه ها۰۱-۳-۷
-۰۰-۳-۷توابع فعال سازی (تبدیل) : ۵۳
-۰۲-۳-۷نرمال سازی داده ها : ۵۳
-۰۷-۳-۷واحد های پردازش : ۵۳
-۰۴-۳-۷چگونگی پردازش اطلاعات : ۵۳
-۳-۷قلمرو مکانی و زمانی پژوهش ۶۴
-۳-۷ابزارهای جمع آوری داده های مورد نیاز تحقیق ۶۴
ط
فصل چهارم تجزیه و تحلیل داده ها
-۰-۴مقدمه ۶۵
-۲-۴آماره های توصیفی ۶۵
-۷-۴بررسی فرضیه های پژوهش ۶۶
-۰-۷-۴پیش بینی شاخص مالی و صنعت با استفاده از الگوی الگوی اقتصادسنجی ۶۳
-۲-۷-۴بررسی کارایی سایر متغیرها بر قدرت پیشبینی شاخص صنعت و شاخص مالی ۳۱
فصل پنجم نتایج و پیشنهادات
-۰-۵مقدمه ۳۳
-۲-۵نتیجه گیری ۳۳
-۷-۵پیشنهادها ۳۳
پیوست ها۹۷
منابع و ماخذ۷

پیش بینی حداکثر و حداقل قیمت روزانه‌ی سهام بانک‌ها با استفاده از مدل شبکه‌های عصبی مصنوعی

چکیده

امروزه بازار سرمایه از ارکان اساسی نظام اقتصادی هرکشوری به شمار می‌رود. این بازار محل تجمیع منابع ارزان قیمت، سرگردان و پراکنده به سمت واحدهای مختلف اقتصادی است. نماد بازار سرمایه، بورس اوراق بهادار و نهادهای وابسته می‌باشد. عملکرد صحیح بورس می‌تواند پیامدهای ارزشمندی مانند رشد و توسعه اقتصادی را به همراه داشته باشد. اما برای آنکه بتوان پس‌اندازها را به سوی این بازار هدایت کرد باید اعتماد سرمایه‌گذاران را جلب نمود. بدین منظور ابتدا به این موضوع پرداختیم که آیا اساساً پیش‌بینی قیمت سهام امکان پذیر است. و سپس اقدام به پیش‌بینی حداقل و حداکثر قیمت سهام بانک‌ها (بانک ملت) به عنوان نقاط هدف سرمایه‌گذاری با استفاده از متغیر‌های قیمت باز شدن سهام، قیمت بسته شدن سهام، ماکزیمم قیمت سهام، مینیمم قیمت سهام، شاخص کل بازار بورس تهران ( به عنوان نماینده‌ی کل بازار)، شاخص بانک‌ها ( به عنوان نماینده‌ی صنعت بانکداری)، قیمت دلار آمریکا (نرخ ارز) و همچنین میانگین متحرک موزون قیمت بسته شدن سهام برای 21 روز گذشته‌،که به صورت روزانه از تاریخ 05/05/1390 تا 27/04/1395 جمع آوری شده است با استفاده از شبکه ی عصبی پرسپترون چند لایه (MLP) و شبکه‌ی عصبی تابع پایه شعاعی (RBF) کردیم. بدین منظور ابتدا پیش‌پردازشی بر روی داده‌ها انجام داده، سپس همبستگی بین متغیر‌های مستقل با متغیر وابسته را با توجه به هدف مسئله مورد بررسی قرار داده و این موضوع را بررسی کردیم که آیا امکان کاهش ابعاد مسئله وجود دارد؟ و سپس اقدام به طراحی شبکه‌ی عصبی نمودیم. بدین منظور از 80 درصد از داد‌ه‌ها، که به صوررت تصادفی انتخاب شده بود به منظور آموزش شبکه و از 20 درصد باقی مانده برای آزمایش شبکه استفاده کرده و بهترین ساختار را برای شبکه‌ی عصبی انتخاب کردیم، و به منظور اطمینان از عملکرد شبکه‌ی عصبی طراحی شده این آزمایش را 10 بار تکرار نمودیم. نتایج تحقیق نشان می‌دهد که هر دو شبکه عصبی طراحی شده توانایی بالایی در پیش‌بینی حداقل و حداکثر قیمت روز بعد سهام دارند. اما با این حال شبکه‌ی عصبیMLP نتایج بهتری را برای پیش‌بینی حداقل و حداکثر قیمت روز بعد سهام نسبت به شبکه‌ی عصبی RBF ارائه می‌دهد.

فهرست مطالب
فصل اول: کلیات تحقیق
۱-۱- مقدمه ۱
۱-۲- تعریف مسئله ۱
۱-۳- ضرورت و اهمیت تحقیق ۳
۱-۴- سوالات / فرضیه‌های تحقیق ۴
۱-۵- اهداف تحقیق ۴
۱-۶- قلمرو تحقیق ۵
۱-۶-۱- قلمرو موضوعی ۵
۱-۶-۲- قلمرو مکانی ۵
۱-۶-۳- قلمرو زمانی ۵
۱-۷- تعریف اصطلاحات و واژه‌ها ۵
۱-۷-۱- شاخص کل بورس تهران ۵
۱-۷-۲- حد نوسان قیمت سهام ۶
۱-۷-۳- میانگین متحرک ساده ۶
۱-۷-۴- میانگین متحرک موزون ۷
۱-۷-۵- نرخ ارز (قیمت دلار) ۷
فصل دوم: (مبانی نظری و پیشینه‌ی تحقیق) ۹
۲-۱- مقدمه ۱۰
بخش اول: مبانی نظری ۱۰
۲-۲- تاریخچه بورس ۱۰
۲-۲-۱- بورس در ایران ۱۱
۲-۳- سرمایه گذاری ۱۳
۲-۳-۱- انواع سرمایه‌گذاری ۱۴
۲-۴- تعریف پیش‌بینی ۱۴
۲-۴-۱- روشهای پیش‌بینی بازار بورس و اوراق بهادار ۱۶
۲-۴-۱- ۱- روش های تحلیل فنی (تکنیکال) ۱۶
۲-۴-۱-۲- روش های تحلیل بنیادی ۱۷
۲-۴-۱-۳- روشهای سری زمانی کلاسیک ۱۸
۲-۴-۱-۴- روشهای هوشمند (یادگیری ماشینی) ۱۸
۲-۵- نظریه تکنیکی در برابر نظریه بنیادی ۱۸
۲-۶- دیدگاه‌‌های مختلف در مورد بازار ۱۹
۲-۶-۱- نظریه‌ی بازار کارا ۲۰
۲-۶-۱-۱- اشکال مختلف بازار کارا ۲۰
۲-۶-۱-۱-۱- شکل قوی بازار کارا ۲۱
۲-۶-۱-۱-۲- شکل نیمه قوی بازار کارا ۲۱
۲-۶-۱-۱-۳- شکل ضعیف بازار کارا ۲۱
۲-۶-۲- نظریه‌ی ورود تصادفی ۲۱
۲-۶-۳- نظریه آشوب ۲۲
۲-۷- آیا بازار سهام قابل پیش‌بینی است؟ ۲۳
۲-۸- سری زمانی ۲۷
۲-۹- شبکه‌های عصبی مصنوعی ۲۷
۲-۹-۱- چگونگی پیدایش ۲۷
۲-۹-۲- ساختار شبکه‌ی عصبی ۲۹
۲-۹-۳- مزایای شبکه‌ی عصبی ۳۰
۲-۹-۳-۱- قابلیت یادگیری ۳۰
۲-۹-۳-۲- قابلیت تعمیم ۳۰
۲-۹-۳-۳- پردازش موازی (قابلیت بالا بودن سرعت) ۳۱
۲-۹-۳-۴- مقاوم بودن (قابلیت تحمل آسیب، قابلیت ترمیم، تحمل پذیری خطاها) ۳۱
۲-۹-۳-۵- پراکندگی اطلاعات (قابلیت استفاده به عنوان حافظه‌ی شراکتی یا انجمنی، حافظه‌ی قابل آدرس‌دهی و ذخیره کنندگی) ۳۱
۲-۹-۴- معایب شبکه‌های عصبی مصنوعی ۳۲
۲-۹-۵- مدل ریاضی نرون ۳۲
۲-۹-۶- توابع محرک ۳۳
۲-۹-۶-۱- توابع محرک خطی ۳۴
۲-۹-۶-۲- توابع محرک دو مقداره (باینری) ۳۴
۲-۹-۶-۳- توابع محرک سیگموئیدی ۳۵
۲-۹-۶-۴- توابع محرک تانژانت هیپربولیک ۳۶
۲-۹-۷- انواع یادگیری در شبکه‌ی عصبی ۳۶
۲-۹-۷-۱- شبکه‌های با وزن ثابت ۳۷
۲-۹-۷-۲- شبکه‌های عصبی با سرپرست ۳۷
۲-۹-۷-۳- شبکه‌های عصبی بدون سرپرست ۳۸
۲-۹-۸- انواع شبکه‌های عصبی ۳۸
۲-۹-۸-۱- شبکه‌ی عصبی مصنوعی پرسپترون ۳۹
۲-۹-۸-۱-۱- یادگیری پرسپترون ۳۹
۲-۹-۸-۱-۲- قانون پرسپترون ۴۱
۲-۹-۸-۲- شبکهی عصبی پرسپترون چند لایه ( MLP ) ۴۲
۲-۹-۸-۲-۱- توابع محرک رایج در شبکه‌های پرسپترون چند لایه (MLP) ۴۳
۲-۹-۸-۳- شبکه‌های تابع پایه شعاعی (RBF) ۴۵
۲-۹-۹- اندازه گیری خطای پیش‌بینی ۴۷
بخش دوم: مروری بر پیشینه‌ی پژوهش ۴۹
۲-۱۰- پیشینه‌ی پژوهش ۴۹
۲-۱۰-۱- پژوهش‌های خارجی ۵۰
۲-۱۰-۲- پژوهش‌های داخلی ۵۴
۲-۱۱- نتیجه‌گیری ۵۹
فصل سوم: روش پژوهش ۶۰
۳-۱- مقدمه ۶۱
۳-۲- روش گردآوری اطلاعات ۶۱
۳-۳- جمع‌آوری داده‌ها از منابع آماری ۶۱
۳-۴- روشهای تجزیه وتحلیل داده‌ها ۶۲
۳-۴-۱-کاهش سطری داده‌ها ۶۲
۳-۴-۱-۱- حذف داده‌های پِرت ۶۲
۳-۴-۱-۲- حذف داده‌های مغشوش ۶۴
۳-۴-۲- اضافه کردن متغیر های وابسته ۶۴
۳-۵- طراحی شبکه ۶۶
۳-۵-۱- نرمال کردن داده‌ها ۶۶
۳-۵-۲- تقسیم بندی داده‌ها ۶۷
۳-۵-۳- انتخاب شبکه‌ی عصبی ۶۷
۳-۵-۴- تعیین تعداد لایه‌ها، نرون‌های هر لایه و توابع انتقال ۶۷
۳-۵-۵- بررسی نتایج بر اساس معیارهای سنجش ۶۸
۳-۶- جمع بندی ۶۸
فصل چهارم: تجزیه و تحلیل داده‌ها ۷۰
۴-۱- مقدمه ۷۰
۴-۲- جمع آوری داده‌ها ۷۱
۴-۲-۱- حذف داده‌های پِرت ۷۱
۴-۲-۲- حذف داده‌های مغشوش ۷۳
۴-۲-۳- اضافه کردن متغیر های وابسته ۷۳
۴-۲-۴- کاهش ستونی داده‌ها ۷۴
۴-۳- طراحی شبکه ۷۴
۴-۳- ۱- نرمال کردن داده‌ها ۷۴
۴-۳-۲- تقسیم بندی داده‌ها ۷۵
۴-۳-۳- انتخاب شبکه‌ی عصبی ۷۵
۴-۳-۴- تعیین تعداد لایه‌ها، نرون‌های هر لایه و توابع انتقال ۷۵
۴-۳-۵- بررسی نتایج بر اساس معیارهای سنجش ۷۵
۴-۳-۵-۱- نتایج پیش‌بینی حداکثر و حداقل قیمت روز بعد سهام بانک ملت با شبکهی عصبی MLP ۷۵
۴-۳-۵-۲- نتایج پیشبینی حداقل و حداکثر قیمت روز بعد سهام بانک ملت با شبکهی عصبی RBF ۸۴
۴-۴- جمع بندی ۹۳
فصل پنجم: نتیجه‌گیری و ارائه‌ی پیشنهادات ۹۵
۵-۱- مقدمه ۹۶
۵-۲- خلاصه‌ی پژوهش ۹۶
۵-۳- تحلیل نتایج پژوهش ۹۷
۵-۴- پیشنهادات کاربردی پژوهش ۹۷
۵-۵- محدودیت‌های پژوهش ۹۸
۵-۶- پیشنهادهایی برای پژوهش‌های آینده ۹۸
منابع و مآخذ ۹۹
منابع فارسی ۹۹
منابع انگلیسی ۱۰۴
پیوست ۱: داده های جمع آوری شده ۱۰۸
پیوست ۲: کد نمایش داده‌های پِرت ۱۳۴
پیوست ۳: کد نرمال کردن ۱۳۴
پیوست۴: کد شبکه‌ی عصبی MLP ۱۳۴
پیوست ۵: کد شبکه‌ی عصبی RBF ۱۳۶
پیوست ۶: کد نمایش نتایج ۱۳۸

پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم بهینه‌سازی علف‌های هرز

چکیده

بورس اوراق بهادار یکی از اجزای مهم بازارهای مالی می‌باشد. اولین و مهم ترین عاملی که در اتخاذ تصمیمات سرمایه گذاری در بورس اوراق بهادار فراروی سرمایه گذار قرار دارد، عامل قیمت سهام است لذا هدف از این تحقیق پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های بهینه سازی علف های هرز و ازدحام ذرات می‌باشد. الگوریتم‌های فوق برای یافتن وزن‌های بهینه در مدل اتورگرسیو به‌کار برده شد. به منظور تعیین جامعه آماری از داده های شرکت پتروشیمی آبادان از تاریخ 1391/11/14 الی1392/12/28 استفاده گردید. همچنین جهت آموزش مدل، از 80 درصد داده‌ها استفاده شد و پس از طراحی مدل در محیط نرم‌افزار اکسل ، 20 درصد داده‌ها توسط مدل پیش‌بینی شد. نتایج حاصل این تحقیق نشان داد که میانگین قدرمطلق درصد خطا، میانگین قدر مطلق خطاو میانگین مجذور خطا در الگوریتم‌های علف‌های هرز به ترتیب معادل 0/0158 ، 207/179و 100972/479و در الگوریتم ازدحام ذرات به ترتیب معادل 0/0429، 509/461 و 125864/1می‌باشد. با توجه به نتایج فوق الگوریتم علف‌های هرز پیش‌ بینی دقیق‌تری را نسبت به الگوریتم ازدحام ذرات ارائه کرد.

فهرست مطالب
عنوان صفحه
فصل اول کلیات مسأله وطرح تحقیق
1-1- مقدمه 2
1-2- تعریف مساله و سولات تحقیق 3
1-3- اهمیت و ضرورت تحقیق 5
1-4- روش تحقیق 5
1-5- قلمرو تحقیق 6
1-6- مراحل انجام تحقیق 7
1-7- اهداف تحقیق 7
1-8- تعریف واژه‌‌‌‌ها و اصطلاحات 8
فصل دوم پیشینه ی تحقیق و مبانی نظری
2-1- مقدمه 9
2-2- بازار بورس چیست 10
2-3-انواع قیمت سهام 11
2-4- نظریه بازار کارا 11
2-5- روش‌های تجزیه و تحلیل قیمت سهام در بورس اوراق بهادار 13
2-5-1- تجزیه و تحلیل تکنیکی 13
2-5-2- تجزیه و تحلیل اساسی(بنیادی) 15
2-5-3- نظریه‌های پویای غیرخطی 16
2-5-4- مدل‌های کلاسیک پیش‌بینی سری زمانی 19
2-6- پیشینه تحقیق 21
2-6-1- مطالعات خارجی صورت گرفته بر روی الگوریتم علف‌های هرز 21
2-6-2- تحقیقات داخلی صورت گرفته بر روی الگوریتم علفهای هرز 23
2-6-3- بکارگیری سایر الگوریتم‌های فراابتکاری در بورس در خارج ایران 25
2-6-4- مطالعات داخلی صورت گرفته بر روی الگوریتم های فراابتکاری 28
2-7- جمع‌بندی مرور ادبیات 31
فصل سوم روش های مدل سازی قیمت سهام
3-1- مقدمه 34
3-2- پیشبینی 34
3-2-1- روش‌های پیش‌بینی کیفی 34
3-2-2- روش‌های پیش‌بینی کمی 34
3-3- تعریف بهینه‌سازی 35
3-4- انواع روش‌های بهینه‌سازی 36
3-4-1- کلاسیک‌ها 36
3-4-2- روش‌‌های ابتکاری 36
3-5- هوش مصنوعی 37
3-6- هوش ازدحامی 38
3-7- الگوریتم تکاملی 39
3-8- الگوریتم‌های بهینه‌سازی ازدحام ذرات 40
3-8-1-تاریخچه بهینه‌سازی گروه ذرات 40
3-8-2- الگوریتم بهینه‌سازی ازدحام ذرات 41
3-8-3- مدل Best PSO Global 43
3-8-4- مراحل اجرای الگوریتم 45
3-8-5- مدل Local Best PSO: 46
3-8-6- الگوریتم ازدحام ذرات با ضریب انقباض 48
3-8-7- توپولوژی یا ساختار شبکه اجتماعی 48
3-8-8- بررسی مشکلات PSO 50
3-8-9- پارامترهای PSO 51
3-9- بهینه سازی علف‌های هرز 54
3-9-1- اکولوژی و تولید مثل علف‌های هرز 55
3-9-2- تولید مثل علفهای هرز 56
3-9-3- شبیه‌سازی رفتار علف‌های هرز 57
3-9-4- بررسی مشکلات IWO 60
3-9-5- نوآوری در الگوریتم علف‌های هرز 60
3-9-6- اجزا و پارامترهای الگوریتم علف‌های هرز 61
فصل چهارم تجزیه و تحلیل داده‌ها
4-1- مقدمه 65
4-2- نمونهگیری و جمعآوری اطلاعات 65
4-3- خطاهای پیش‌بینی 67
4-4- پیش‌بینی با الگوریتم ازدحام ذرات و علفهای هرز 68
. 4-4-1- تنظیم پارامتر و پیشبینی علفهای هرز 68
4-4-2- تابع هدف (تابع شایستگی) 71
4-4-3- تنظیم پارامتر و پیشبینی ازدحام ذرات 73
4-5- مقایسه بین مدلهای IWO وPSO 77
فصل پنجم نتیجهگیری و پیشنهادات
5-1- مقدمه 81
5-2- مزایا الگوریتمهای فراابتکاری 81
5-3- محدودیتهای پژوهش 82
5-4- پیشنهادات 82
منابع 81

 

حل عددی معادلات دیفرانسیل تصادفی مبتنی بر شبیه سازی و کاربرد آن در پیش بینی قیمت سهام

چکیده

در این پایان‌نامه، بعد از بیان مقدماتی از حسابان تصادفی، به حل معادلات دیفرانسیل تصادفی خواهیم پرداخت در واقع دسته خاصی از این معادلات با روش‌های موجود حل و روش‌های عددی خاصی نیز برای حل آن‌ها ارائه می‌گردد در ادامه مدل نوسانات قیمت سهام که یک معادله‌ی دیفرانسیل خطی می‌باشد را ارائه می‌نماییم این معادله به کمک فرمول ایتو قابل حل بوده و جواب دقیق آن قابل محاسبه می‌باشد همچنین روش اویلر ماریاما برای حل آن به کمک نرم‌افزار متلب بیان شده است کار اصلی و مهم در این پایان‌نامه، تمرکز روی نوسانات قیمت‌های تعدادی از شرکت‌ها در بورس اوراق بهادار تهران می‌باشد به عبارت دیگر با استخراج مولفه‌های مورد نیاز برای یک معادله‌ی دیفرانسیل خطی، سعی شده که نوسانات قیمت هر شرکت در قالب یک معادله دیفرانسیل تصادفی مدل‌سازی گردد سپس جواب تقریبی و دقیق مدل حاصل به دست آمده و نتایج حاصل از آن با داده‌های واقعی مقایسه شده است در واقع این فرایند به منظور پیش‌بینی قیمت سهام در آینده طراحی شده است، بدین ترتیب که بر‌اساس جواب معادله دیفرانسیل تصادفی حاصل از داده‌های واقعی، قیمت سهام در آینده پیش‌بینی گردد اما مدل حرکت بروانی هندسی نتوانست به خوبی به داده‌های اصلی منطبق باشدبرای همین از مدل‌های CIR و CEV و OU برای مدل سازی داده‌های اصلی استفاده کردیم و با استفاده از نرم افزار R به شبیه سازی و براورد پارامترهای آن پرداختیم

فهرست مطالب
١ مفاهیم و مقدمات حسابان تصادفی ١
١ مقدمه ٢ – ١
٢ حسابان تصادفی٢ – ١
٣ انواع همگرایی۴ -١
۴ حرکت براونی ٧ – ١
۵ فرایند مارکوف٨ -١
٢ مفاهیم و مقدمات معادلات دیفرانسیل تصادفی ١١
١ مقدمه١٢ – ٢
٢ معادلات دیفرانسیل تصادفی١٢ – ٢
١ خواص معادلات دیفرانسیل تصادفی١۴ -٢ – ٢
٢ جواب های قوی و ضعیف ١۵ – ٢- ٢
٣ مدل بلک-شولز (حرکت براونی هندسی)١۶ – ٢
۴ انتگرال تصادفی ١۶ – ٢
١ انتگرال ایتو ١٧ -۴ -٢
٢ انتگرال ایتو ١٧ – ۴- ٢
٣ فرمول ایتو ١٨ -۴ -٢
۵ حل عددی معادلات دیفرانسیل تصادفی ١٨ -٢
۶ استفاده از نرم افزار متلب برای شبیه سازی و یافتن جواب عددی معادلات دیفرانسیل تصادفی ٢٠ – ٢
٣ معرفی مدل های مالی وحل آن ها ٢۵
١ مقدمه٢۶ – ٣
٢ پیش نیاز های ریاضی مالی ٢۶ – ٣
٣ مدل بلک-شولز٣٠ -٣
١ فرایند قیمت سهام٣١ -٣ -٣
٢ مفروضات مدل بلک-شولز٣٢ -٣ -٣
۴ قیمت سهام٣٣ – ٣
۵ ارزش گذاری اختیار معامله ی اروپایی با استفاده از معادله ی دیفرانسیل بلک-شولز ٣۵ – ٣
۶ مدل واسیسک٣٨ – ٣
۴ شبیه سازی قیمت سهام در بورس اوراق بهادار ۴١
١ مقدمه۴٢ – ۴
٢ بورس اوراق بهادار ۴٢ -۴
١ بورس اوراق بهادار۴٢ – ٢- ۴
٢ علل پیدایش بورس اوراق بهادار۴٣ -٢ -۴
٣ سابقه ی ایجاد بورس در ایران ۴۴ – ٢- ۴
۴ شاخص های بورس۴۵ – ٢- ۴
۵ پیش بینی قیمت سهام۴۵ – ٢- ۴
٣ نتایج حاصل از شبیه سازی ۴۵ – ۴
۴ روش درستنمایی ماکسیمم ۴۶ – ۴
١ سرمایه گذاری نفت وگاز و پتروشیمی تامین (تاپیکو) ۴٨ – ۴- ۴
٢ گروه گسترش نفت و گاز پارسیان (پارسان) ۵٢ -۴ -۴
٣ سرمایه گذاری صنایع پتروشیمی (وپترو)۵۵ -۴ -۴
۴ پتروشیمی جم۶٠ -۴ -۴
ب
۵ نتایج و پیشنهادات ۶٧
واژه نامه فارسی به انگلیسی ۶٩
مراجع ٧٢
منابع و مآخذ ٧٣

بررسی مقایسه‌ای الگوریتم ژنتیک و شبکه عصبی در ارائه مدل‌های پیش‌بینی قیمت سهام، مطالعه موردی فولاد مبارکه اصفهان

چکیده

پیش بینی آینده همواره به صورت یک ضرورت در زندگی روزمره و به عنوان یک حوزه مشترک در بسیاری از علوم مطرح بوده است. یکی از حوزه هایی که در آن پیش بینی از اهمیت خاصی برخوردار است مسائل مالی و اقتصادی است. هدف این پژوهش پیش بینی قیمت سهام به صورت موردی سهام فولاد مبارکه اصفهان با استفاده از شبکه های عصبی مصنوعی پس انتشار خطا و مدل شبکه عصبی مصنوعی تلفیقی با الگوریتم ژنتیک به وسیله متغیر های تاثیر گذار بر آن و مقایسه این دو مدل ارائه شده با یکدیگر است. با بررسی انجام شده، متغیرهای تاثیر گذار بر قیمت سهام فولاد مبارکه اصفهان، قیمت نفت، قیمت شمش فولاد و قیمت دلار در نظر گرفته شد و مدل های طراحی شده اجرا گردید. نتایج حاکی از کارایی هر دو مدل ارائه شده برای پیش بینی قیمت سهام فولاد مبارکه می باشد. نتایج مقایسه مدل شبکه های عصبی مصنوعی پس انتشار خطا و مدل شبکه عصبی مصنوعی تلفیقی با الگوریتم ژنتیک حاکی از آن است که شبکه عصبی مصنوعی تلفیقی با الگوریتم ژنتیک عملکرد بهتری دارد.

1 فصل اول کلیات تحقیق مقدمه 1
1-1 بیان مساله 2
1-2 ضرورت و کاربرد تحقیق 3
1-3 اهداف تحقیق 5
1-4 سوالات تحقیق 5
1-5 تعریف واژگان 6
1-6 متغیر های تحقیق 6
1-7 روش پژوهش 7
1-8 قلمرو تحقیق 7
1-9 محدودیت تحقیق 7
1-10 نتیجه گیری 8
2 فصل دوم ادبیات تحقیق مقدمه 9
2-1 سهام و عوامل مرتبط به آن 10
2-2 انواع سهام 11
2-2-1 سهام عادی 12
2-2-1-1 مزایای تأمین مالی با سهام عادی 12
2-2-1-2 معایب تأمین مالی با سهام عادی 13
2-2-1-3 خصوصیات سهام عادی 13
2-2-1-4 روش های صدور سهام جدید (افزایش سرمایه) 15
2-2-1-5 روش های صدور سهام عادی 15
2-2-2 سهام ممتاز 16
2-2-2-1 مزایای تأمین مالی با سهام ممتاز 16
2-2-2-2 معایب تأمین مالی با سهام ممتاز 17
2-2-2-3 خصوصیات سهام ممتاز 17
2-2-2-4 قابلیت تبدیل 18
2-3 مفاهیم ارزش 19
2-3-1 تعریف ارزش 19
2-3-2 تعیین ارزش 20
2-3-2-1 ارزش اسمی 20
2-3-2-2 ارزش دفتری 20
2-3-2-3 ارزش بازار (روز) 21
2-3-2-4 ارزش با فرض تداوم فعالیت 21
2-3-2-5 ارزش با فرض انحلال شرکت 21
2-3-2-6 ارزش ذاتی (ارزش جاری) 22
2-3-3 تحلیل قیمت بازار سهام 22
2-3-3-1 الگوهای فنی 22
2-3-3-2 فرآیند گام تصادفی 23
2-3-3-3 الگوهای بنیادی (Fundamental Models) 25
2-4 پیش بینی قیمت سهام 26
2-4-1 پیشینه پیش بینی سهام 26
2-4-2 نظریه بازار کارای سرمایه 27
2-4-3 کارایی اطلاعاتی 28
2-4-3-1 شکل ضعیف کارایی 29
2-4-3-2 شکل نیمه قوی کارایی 29
2-4-3-3 شکل قوی کارایی 29
2-4-4 کارایی تخصصی 30
2-4-5 کارایی عملیاتی 30
2-4-6 مدسازی ریاضی در مسائل مالی 30
2-4-7 پیش بینی 31
2-4-7-1 تعریف پیش بینی 31
2-4-7-2 پیش بینی در حوزه مدیریت 31
2-4-7-3 انواع روش های پیش بینی 31
2-4-7-4 انتخاب روش پیش بینی 33
2-4-7-5 پیش بینی با استفاده سری زمان 35
2-5 مدسازی: 36
2-5-1 شناسایی 36
2-6 شبکه های عصبی 37
2-6-1 تشابهات شبکه ی عصبی مصنوعی و بیولویکی 40
2-6-2 ویژگی های شبکه های عصبی مصنوعی 40
2-6-2-1 قابلیت یادگیری 41
2-6-2-2 پراکندگی اطلاعات 41
2-6-2-3 قابلیت تعمیم 41
2-6-2-4 پردازش موازی 42
2-6-2-5 مقاوم بودن 42
2-6-3 کاربردهای شبکه های عصبی 42
2-6-3-1 طبقه بندی، شناسایی و تشخیص الگو 42
2-6-3-2 پردازش سیگنال 43
2-6-3-3 پیش بینی سری های زمانی 43
2-6-3-4 مدلسازی و کنترل 43
2-6-3-5 بهینه سازی 43
2-6-3-6 سیستم های خبره و فازی 43
2-6-3-7 مسائل مالی، بی مفهوم بازار و بورس و وسایل سرگرم کننده 44
2-6-3-8 ساخت وسایل صنعتی، پزشکی و امور حمل و نقل 44
2-6-4 مزایای شبکه های عصبی 44
2-6-4-1 قابلیت مدلسازی سیستمهای غیر خطی با پیچیدگی دلخواه 44
2-6-4-2 قابلیت تعلیم 45
2-6-4-3 قابلیت تطبیق 45
2-6-4-4 قابلیت تحمل آسیب 45
2-6-4-5 قابلیت ترمیم 45
2-6-4-6 قابلیت استفاده از حافظه شراکتی 45
2-6-4-7 سرعت بالای پردازش به دلیل پردازش موازی 46
2-6-4-8 یگانگی در تجزیه و تحلیل طراحی 46
2-6-4-9 تشابه با سیستم عصبی انسان( هوشمند است.) 46
2-6-5 مدل تک ورودی در شبکه های عصبی 46
2-6-6 مدل چند ورودی 47
2-6-7 ساختار شبکه های عصبی 47
2-6-8 یادگیری 49
2-6-9 قوانین یادگیری 51
2-7 الگوریتم ژنتیک 52
2-7-1 تاریخچه بیولوژیکی 52
2-7-2 ساختار الگوریتم‏های ژنتیکی 53
2-7-2-1 کروموزوم 53
2-7-2-2 جمعیت 53
2-7-2-3 تابع برازندگی 53
2-7-3 عملگرهای الگوریتم ژنتیک 54
2-7-3-1 عملگر انتخاب (Selection) 54
2-7-3-2 عملگر آمیزش (Crossover) 55
2-7-3-3 عملگر جهش (Mutation) 57
2-7-4 روند کلی الگوریتم‏های ژنتیکی 58
2-7-5 روند کلی بهینه سازی و حل مسائل در الگوریتم ژنتیک 60
2-7-6 شرط پایان الگوریتم 61
2-7-7 یک مثال ساده 61
2-7-8 پیشینه مطالعاتی 67
2-8 نتیجه گیری 72
3 فصل سوم بیان مسئله و ارائه مدل مقدمه 73
3-1 مدل شبکه مصنوعی پس انتشار خطا 74
3-1-1 شروع برنامه (Start of program) 75
3-1-2 فرخوانی داده ها (Data loading) 75
3-1-3 نرمالیزه کردن داده ها (Normalization) 75
3-1-3-1 بهنجار کردن 76
3-1-4 تعیین داده های آموزش، آزمایش (Test and train Data) 77
3-1-5 ساختار شبکه (Network stractor) 78
3-1-6 آموزش شبکه عصبی (Training) 79
3-1-7 بررسی (Assesment) 80
3-1-8 نتایج (Display) 80
3-1-9 مدل نهایی 81
3-2 مدل شبکه عصبی تلفیقی با الگوریتم ژنتیک 81
3-2-1 شروع برنامه (Start of program) 81
3-2-2 فرخوانی داده ها (Data loading) 82
3-2-3 نرمالیزه کردن داده ها (Normalization) 82
3-2-3-1 بهنجار کردن 83
3-2-4 تعیین داده های آموزش، آزمایش (Test and train Data) 84
3-2-5 ساختار شبکه (Network stractor) 84
3-2-6 آموزش شبکه عصبی (training) 85
3-2-7 بررسی (Assesment) 86
3-2-8 نتایج (Display) 87
3-2-9 مدل نهایی 87
3-3 ورودی ها و خروجی های مدل 87
3-4 نتیجه گیری 91
4 فصل چهارم ارائه نتایج و مقایسهم قدمه 92
4-1 نتایج مدل شبکه عصبی مصنوعی پس انتشار خطا 94
4-2 نتایج مدل شبکه عصبی مصنوعی تلفیقی با الگوریتم ژنتیک 100
4-3 مقایسه نتایج دو مدل 106
4-4 نتیجه گیری 107
5 109
فصل پنجم نتیجه گیری و ارائه پیشنهادات 109
مقدمه 110
5-1 خلاصه نتایج پژوهش 111
5-2 بحث و مقایسه نتایج پژوهش 112
5-3 پیشنهادات تحقیق 114
5-3-1 پیشنهادات کاربردی 114
5-3-2 پیشنهادات برای تحقیقات آتی 114
5-4 محدودیت های تحقیق 115
5-5 نتیجه گیری 115
منابع و مراجع 117
پیوست‌ها 122

 

پیش‌بینی قیمت سهام با روش‌های براونی و خود رگرسیون میانگین متحرک انباشته(ARDL)

چکیده

بازارهای مالی توسعه‌یافته یکی از خصیصه‌های اقتصادهای پیشرفته امروزی است فعالان بازارهای مالی به هدف کسب سود اقدام به خرید دارایی‌های مالی می‌کنند پیش‌بینیقیمت‌های آتی نقش مهمی‌در تصمیمات خرید آن‌ها دارد عموماًروش‌های اقتصادسنجی سری زمانی تک متغیره برای پیش‌بینی قیمت‌ها بکار می‌روند که در آن تلاش می‌شود متغیرهای مالی را تنها با استفاده از اطلاعات موجود در مقادیر گذشته‌شان و مقادیر فعلی و گذشته جزء اختلال، پیش‌بینی و الگوسازی کرد موضوع مانایی و تفاضل گیری در این روش‌ها جزئی از فرآیند پیش‌بینی است با توجه به‌اینکه با عمل تفاضل گیری بخش مهمی‌از اطلاعات متغیرها از دست می‌روداز طرفی مدل‌های گشت تصادفی در پیش‌بینی قیمت سهام به‌صورت قابل‌توجهی بکار گرفته می‌شوند ازنظر مدل گشت تصادفی، حرکت قیمت‌ها در یک بازارکارا مستقل از حرکات قبلی است و یا به‌عبارت‌دیگر، بین حرکات پیاپی قیمت‌ها هیچ‌گونه وابستگی مشاهده نمی‌شود البته باید توجه داشت که تغییر قیمت سهام ناشی از مجموعه‌ای از اطلاعات است که اطلاعات تاریخی جزئی از آن محسوب می‌گردد لذا در تحقیق حاضر سعی شده است تا قیمت سهام 50 شرکت فعال در بورس اوراق بهادار تهران طی بازهء 1391-1392 با دو روش ARIMA و براونی پیش‌بینی گردد سپس با مقایسه بیرون از نمونه با استفاده از معیارهای MSEوMAE قدرت پیش‌بینی این دو روش مورد آزمون قرار گرفت نتایج هر دو معیار مشابه بوده و هر دو برتری پیش‌بینی‌های روش براونی را تأییدمی‌کنند همچنین نتایج تحلیل یکجای قیمت 50 نماد معاملاتی تأییدکننده‌این نتیجه هستندواژگان کلیدی: بازار سهام،روش براونی کسری، روش ARIMA، پیش‌بینی قیمت سهام

فصل اول: کلیات تحقیق
1-1مقدمه 2
1-2تعریف مساله 2
1-3هدف‌ها 4
1-3-1هدف اصلی 4
1-3-2هدف فرعی 4
1-4سوالات تحقیق 5
1-5فرضیه‌ها 5
1-6مراجع استفاده‌کننده ازنتیجه پایان‌نامه 5
1-7روش انجام تحقیق 5
1-7-1روش و ابزارگردآوری اطلاعات 5
1-7-2روش تجزیه ‌و تحلیل داده‌ها 5
1-7-2-1 مقایسه پیش بینی روش هایARIMA و براونی 7
1-7-2-2 قلمرو تحقیق( زمانی، مکانی، موضوعی) 7
1-8سازمان‌دهی تحقیق 8
1-9جمع بندی 8
فصل دوم: مبانی نظری و پیشینه تحقیق
2-1مقدمه 11
2-2مبانی نظری پیش‌بینی قیمت سهام 11
2-3نظریه‌های قیمت گذاری سهام براساس ارزش بنیادی 12
2-3-1نظریات مبتنی ‌برارزشیابی دارائی‎ها 14
2-3-1-1 قیمت گذاری سهام براساس ارزشیابی اقتصادی دارائی ها 14
2-3-1-2قیمت گذاری سهام براساس ارزشیابی واحد تجاری در بازار ثانویه 14
2-3-1-3 مدل قیمت گذاری سهام براساس بهای تمام شده جایگزین تنزیل شده دارائی ها 14
2-3-1-4 مدل قیمت گذاری سهام براساس ارزش دفتری دارائی های واحد تجاری 15
2-3-2نظریات مبتنی ‌برارزشیابی حقوق صاحبان سهام 15
2-3-3نظریه قیمت گذاری دارایی سرمایه‌ای 18
2-3-4نظریه قیمت گذاری آربیتراژ 20
2-3-5مدل فاما و فرنچ 21
2-4 روش‌های سری زمانی اقتصادسنجی برای پیش‌بینی 23
2-5نظریات گشت تصادفی برای پیش‌بینی قیمت سهام 31
2-5-1حرکت براونی و سابقه آن در مطالعات مالی 34
2-6مروری بر مطالعات گذشته 37
2-6-1مطالعات خارجی 37
2-6-2مطالعات داخلی 41
2-7جمع بندی 48
فصل سوم: روش تحقیق
3-1مقدمه 51
3-2ساخت،برآورد و ارزیابی مدل‌ها 50
3-3روش‌های شناسایی پارامتری 53
3-4روش مدل‌سازی سری زمانی 54
3-4-1برخی تعاریف 54
3-4-2برخی الگوهای سری زمانی 55
3-4-2-1الگوی میانگین متحرک(MA) 55
3-4-2-2 الگوی خودرگرسیونی (AR) 55
3-4-2-3الگوی خودرگرسیونی میانگین متحرک (ARIMA) 55
3-5مدل پیش‌بینی قیمت سهام براساس معادلات دیفرانسیل تصادفی 57
3-5-1حرکت براونی یا فرآیند وینر 61
3-5-2پویایی‌های قیمت سهام 63
3-7کارایی سنجی دو روش 63
3-8جمع بندی 64
فصل چهارم: یافته های تحقیق
4-1مقدمه 67
4-2توصیف داده‌ها 69
4-3یافته‌های تحقیق 70
4-4جمع بندی 79
فصل پنجم: جمع بندی ،نتیجه گیری وارائه پیشنهادات
5-1نتیجه گیری 78
5-2پیشنهادات 83
منابع و مآخذ
منابع فارسی 85
منابع لاتین 90
پیوست ها94

پیش‌بینی قیمت سهام با استفاده از مدل ترکیبی شبکه‌های عصبی، الگوریتم ژنتیک و مدل مخفی مارکف

چکیده

یکی از پرسود ترین سرمایه گذاری ها در بازار های مالی و سرمایه، سرمایه گذاری بر روی سهام عرضه شده در بازار بورس اوراق بهادار است. با این وجود رفتار قیمت سهام یکی از پیچیده ترین مکانیزم هایی می‌باشد که محققان و پژوهشگران بر روی آن مطالعه کردند. بدلیل اینکه این بازار تحت تاثیر شرایط اقتصادی، سیاسی، صنعتی و … می‌باشد لذا همواره رفتاری غیر قابل پیش بینی و آشوبگرانه و غیر خطی از خود نشان میدهد. در این تحقیق سعی شده با ترکیب کردن مدل های هوشمند و تصادفی قیمت سهام را با دقت بیشتری پیش‌بینی کنیم سپس نتایج حاصل از پیش‌بینی را با معیار خطای میانگین درصد خطای مطلق (MAPE) با دیگر مدل های ساده مانند شبکه عصبی و مدل مخفی مارکف و مدل‌های سری‌های زمانی توضیحی جمعی میانگین متحرک (ARIMA) مقایسه میکنیم تا نشان دهیم مدل ترکیبی پیش بینی مناسب تری نسبت به مدل های منفرد را دارا است.

فصل اول 2
1-1. مقدمه 3
1-2. بیان مساله 3
1-3. هدف تحقیق 4
1-3-1. هدف اصلی 4
1-3-2. اهداف فرعی 4
1-4. اهمیت موضوع 4
1-5. فرضیات تحقیق 5
1-6. مدل تحقیق 5
1-7. روش تحقیق 6
1-8. قلمرو تحقیق 6
1-9. جامعه و حجم نمونه 6
1-10. تعاریف عملیاتی متغیرها و واژهها 6
فصل دوم 9
2-1. مقدمه 10
2-2. تاریخچه تاسیس بورس اوراق بهادار 10
2-2-1. تاریخچه بازار اوراق بهادار ایران 11
2-3. شاخص قیمت سهام 12
2-3-1. تعریف شاخص 13
2-3-2. ویژگی های شاخص 14
2-3-3. شاخص های رایج بورس دنیا 14
2-3-4.شاخصهای سهام در بورس تهران 16
2-3-4-1. شاخص کل 17
2-3-4-2. شاخص صنایع و شاخص مالی 19
2-3-4-3. شاخص 50 شرکت فعالتر 20
2-3-4-4. شاخص قیمت و بازده نقدی 20
2-3-4-5. شاخص بازده نقدی 21
2-3-5. محدودیتهای شاخصها 21
2-4. بررسی روشهای تجزیه و تحلیل قیمت سهام 22
2-4-1. روش تجزیه و تحلیل بنیادین 22
2-4-2. روش تجزیه و تحلیل تکنیکال 24
2-4-3. روش تئوری مدرن پرتفولیو(ایزدی, 1383) 26
2-5. مروری بر روشهای پیش بینی نرخ بورس 27
2-5-1. انواع مدلهای پیشبینی 28
2-5-1-1. روشهای کیفی 28
2-5-1-2. مدلهای سببی 29
2-5-2. سریهای زمانی 29
2-6. شبکه های عصبی مصنوعی (ANN) 30
2-6-1. مفاهیم پایه در شبکه های عصبی مصنوعی 30
2-6-2. علت استفاده از شبکه عصبی مصنوعی 31
2-6-3. پرسپترون (نرون مصنوعی) 32
2-6-3-1. پرسپترون چند لایه (MLP) شبکه های عصبی پیشخور (Feed-forward) 33
2-6-3-2. الگوریتم پس انتشار (BP) برای شبکه عصبی پیشخور 36
2-7. مدل مارکوف 37
2-7-1. مدل مخفی مارکوف (HMM) 38
2-7-2. الگوریتم بام – ولش 41
2-8. الگوریتم ژنتیک 43
2-8-1. مکانیزم عملکرد الگوریتم ژنتیک 44
2-8-2. مراحل اجرای الگوریتم ژنتیک 45
2-8-3. کاربردهای الگوریتم ژنتیک 45
2-8-4. جمعیت جوابهای بالقوه (کروموزومها) 46
2-8-5. معیار توقف الگوریتم ژنتیک 46
2-8-6. ارزیابی میزان برازش جوابها (تابع برازش) 47
2-8-7. انتخاب و تولید مثل 47
2-8-8. جفتگیری (تقاطع) 48
2-8-9. جهش 48
2-8-10. تکرار فرایند 49
2-8-11. همگرایی الگوریتم ژنتیک 51
2-8-12. مقایسه الگوریتم ژنتیک با سایر روشهای سنتی 51
2-9. پیشینه تحقیق 52
2-9-1. تحقیقات خارجی 52
2-9-2. تحقیقات داخلی 54
فصل سوم 57
3-1. مقدمه 58
3-2. روش تحقیق 58
3-3.جامعه آماری 58
3-4. حجم نمونه 59
3-5. ابزار جمعآوری اطلاعات 59
3-6. روش تجزیه و تحلیل دادهها 59
فصل چهارم 64
4-1. مقدمه 65
4-2. دادهها 65
4-3. پیش بینی قیمت سهام با استفاده از مدل شبکه عصبی مصنوعی 66
4-4. پیشبینی قیمت سهام با استفاده از مدل آریما 68
4-5. پیش بینی قیمت سهام با استفاده از مدل مخفی مارکف 70
4-6. پیشبینی قیمت سهام با استفاده از مدل ترکیبی شبکه عصبی منصوعی، الگوریتم ژنتیک و مدل مخفی مارکف 72
4-7. بررسی نتایج مدلها 74
فصل پنجم 75
5-1. مقدمه 76
5-2. نتیجه گیری 76
5-3. پیشنهادات 78
5-3-1. پیشنهادات تحقیق 78
5-3-2. پیشنهادات برای تحقیقات آتی 78
منابع 81

 

بررسی و سنجش میزان تغییرات شاخص قیمت سهام با تغییرات سود سهام پیش‌بینی‌شده، سود سهام واقعی، نرخ ارز و تولید ناخالص ملی شرکتهای پذیرفته‌شده در بورس اوراق بهادار تهران

چکیده

بر مبنای تئوری های اقتصادی، شاخص قیمت سهام می بایست منعکس کننده انتظارات آحاد اقتصادی از عملکرد آتی شرکت ها باشد، در حالی که سود شرکت ها سطح فعالیت های اقتصادی را منعکس می کند. هدف پژوهش حاضر این بود که با استفاده از داده های مربوط به تغییرات سود سهام پیش بینی شده ، سود سهام واقعی، نرخ ارز و تولید ناخالص ملی و شاخص قیمت بورس اوراق بهادار در سال های گذشته، به تصریح رابطه این چند متغیر در ایران بپر دازد، به همین منظور داده های72 شرکت بورس اوراق بهادار طی دوره1391تا1393 به روش پنل دیتا(PANEL DATA) مورد تحلیل قرار گرفت . نتایج حاکی از آن بود که اولا بین تغییرات قیمت سهام و تغییرات سود پیش بینی شده سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، تاثیر معناداری وجود دارد؛ ثانیا بین تغییرات قیمت سهام و تغییرات سود واقعی سهام تاثیر معناداری وجود دارد ؛ثالثا بین تغییرات قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و نرخ ارز، تاثیر معناداری در سطح اطمینان 95 درصد، وجود دارد و نیز بین تغییرات قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و تغییرات تولید ناخالص ملی ، تاثیر معناداری وجود دارد.

فصل 1. کلیات تحقیق 1
1-1 مقدمه 2
1-2 بیان مسئله 2
1-3 اهمیت و ضرورت انجام پژوهش 5
1-4 اهداف پژوهش 6
1-5 فرضیات پژوهش 7
1-6 قلمرو پژوهش و جامعه آماری 7
فصل 2. مروری بر ادبیات و پیشینه تحقیق 8
2-1 مقدمه 9
2-2 مبانی نظری مفاهیم سهام و شاخص قیمت سهام 11
2-2-1 تعریف سهام 11
2-2-1-1 تعریف بازده سهام و عوامل موثر بر آن 11
2-2-1-2 اهمیت بازده سهام 13
2-2-2 معيارهاي حداكثر شدن ثروت 15
2-2-3 سود و بازده سهام 17
2-3 ماهیت و مفهوم سود 21
2-3-1 مفهوم بنیادی سود 21
2-3-2 نقاط قوت سود حسابداری 22
2-3-3 نقاط ضعف سود حسابداری 23
2-3-3-1 جریان نقدی عملیاتی شرکت 24
2-3-3-2 سود عملیاتی (OP) 25
2-4 سهام چگونه خلق ارزش می کند ؟ 25
2-5 سود هر سهم 27
2-5-1 تقسیم سود 27
2-5-2 نرخ بازده صاحبان سهام 28
2-5-3 جریان نقدی آزاد 29
2-6 مبانی نظری بازده سهام و مدل های پیش بینی کننده ی آن 29
2-6-1 الگوی مارکوئیتز 30
2-7 معرفی شاخص کل قیمت سهام 32
2-8 بررسی رابطه تولید ناخالص ملی و شاخص قیمت سهام 33
2-9 ارتباط نرخ ارز و شاخص قیمت سهام بورس اوراق بهادار 34
2-10 ارتباط نرخ ارز و بازار اوراق بهادار 36
2-11 پیشینه پژوهش 38
2-11-1 پیشینه خارجی 38
2-11-2 مطالعات داخلی 39
فصل 3. روش‌شناسی تحقیق 45
3-1 مقدمه 46
3-2 روش شناسی پژوهش 46
3-3 جامعه آماری و نمونه پژوهش 47
3-4 چارچوب نظری و الگوی پژوهش 49
3-4-1 معرفی الگوی پژوهش 51
3-5 معرفی نوع رگرسیون پژوهش 52
3-5-1 مزايای استفاده از داده‌های پانل 52
3-5-2 مدل كلی داده‌های پانل 54
3-5-3 مدل اثرات ثابت و تصادفی 56
3-5-4 آزمون F 58
3-5-5 آزمون هاسمن: انتخاب بين اثرات ثابت يا تصادفی 60
فصل 4. تجزیه و تحلیل داده‌ها و یافته‌های پژوهش 61
4-1 مقدمه 62
4-2 شرح نمونه ی آماری منتخب 62
4-3 تجزیه و تحلیل توصیفی داده ها 63
4-4 تجزیه و تحلیل استنباطی داده ها 66
4-4-1 نتایج آماری آزمون فرضیه 66
4-4-1-1 نتایج آزمون f لیمر 66
4-4-1-2 نتایج آزمون هاسمن 67
4-4-2 نتایج برآورد مدل پژوهش 68
4-5 نتیجه آزمون فرضیه های پژوهش 70
4-5-1 نتایج آزمون فرضیه اول 70
4-5-2 نتایج آزمون فرضیه دوم 70
4-5-3 نتایج آزمون فرضیه سوم 71
4-5-4 نتایج آزمون فرضیه چهارم 71
فصل 5. نتیجه‌گیری و پیشنهادات 73
5-1 مقدمه 74
5-2 مروری بر پژوهش 74
5-3 تفسیر نتایج آزمون فرضیات پژوهش 76
5-4 محدودیت های پژوهش 77
5-5 پیشنهادات پژوهش 78
منابع و مؤاخذ 80
پیوست ها و ضمائم 85

 

بررسی نقش سایر اطلاعات اطلاعات در پیش‌بینی سود مدیران بر نوسات قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران

چکیده

نوسانات بازده سهام، نقشی اساسی در درک قیمتگذاری دارایی، مدیریت ریسک، ساختار پرتفوی، ارزیابی اوراق مشتقه و هزینه سرمایه ایفا میکند. در تئوری، نوسانات بازده سهام، تابعی از تغییرات در اخبار جریانهای نقدی، اخبار بازده مورد انتظار و یا هر دو است. در تحقیقات پیشین تلاش شده است تا با استفاده از متغیرهایی همچون سود تقسیمی و سود حسابداری این نوسانات توجیه شود. این در حالی است که هم سود حسابداری و هم سود تقسیمی دارای محدودیتهای آشکاری میباشند.در این تحقیق تلاش شده است تا با استفاده از معیار نوین سایر اطلاعات در پیشبینی های مدیران که از مدل خطی اولسون بدست میآید، نوسانات بازده سهام توجیه شود. بدین منظور دو فرضیه مطرح گردید که با استفاده از سایر اطلاعات نوسانات بازده سهام مورد بررسی قرار گیرد. نتایج این تحقیق نشان دهنده رابطه مثبت بین عدم قطعیت در سایر اطلاعات و نوسانات بازده سهام میباشد. همچنین نتایج این تحقیق نشان داد که وجود سایر اطلاعات منجر به کاهش نوسانات بازده سهام میگردد و برخلاف استدلالها و فرضیه های موردنظر، کاهش هرچه بیشتر سایر اطلاعات (چه مطلوب و چه نامطلوب)، نوسانات بازده سهام را افزایش میدهد.

عنوان صفحه

فصل اول: کلیات تحقیق .1
1-1- مقدمه2
1-2- بیان مسئله.3
1-3- اهمیت موضوع.4
1-4- جنبه جدید بودن و نوآوری در تحقیق.5
1-5- اهداف تحقیق.5
1-6- بهره¬وران تحقیق.5
1-7- سوال اصلی تحقیق6
1-8- فرضیه¬های تحقیق.6
1-9- روش تحقیق.6
1-10- روش و ابزار گردآوری داده¬ها6
1-11- جامعه آماری، روش نمونه گیری و حجم نمونه .7
1-12- روش و ابزار تجزیه و تحلیل داده¬ها.7
1-13- تعریف واژه¬ها و اصطلاحات فنی.8
1-14- خلاصه فصل یک.8

فصل دوم: مبانی نظری و پیشینه تحقیق9
2-1- مقدمه.10
2-2- پیش¬بینی.10
2-3- پیش¬بینی سود هر سهم و اهمیت آن11
2-4- مفهوم خطای پیش¬بینی مدیریت از سود و ارتباط آن با حسابداري محافظه كارانه13
2-5- مفهوم خطای پیش¬بینی مدیریت از سود و ارتباط آن با حاکمیت شرکتی.14
2-6- بازارهای اوراق بهادار14
2-7- مفهوم کارایی بازار سرمایه15
2-8- رابطه بین کارایی بازار و ارزش سهام.18
2-9- مکاتب قیمت گذاری سهام19
2-10- تعیین قیمت سهام عادی.24
2-11- بازده سهام.36
2-12- عوامل موثر بر بازدهی.39
2-13- سایر اطلاعات در پیش¬بینی سود مدیران و نوسانات بازده سهام41
2-14- پیشینه تحقیق.41

فصل سوم: روش اجرای تحقیق.44
3-1 – مقدمه45
3-2 – روش تحقیق.45
3-3 = سوالات و فرضیه¬هاي تحقیق 45
3-4 = جامعه و نمونه آماري.46
3-5 – روشها و ابزار جمع¬آوري اطلاعات.47
3-6 – مدلها و متغیرهاي تحقیق47
3-7 – آمار توصیفی48
3-8 – آمار استنباطی.49
3-9 – خلاصه فصل55

فصل چهارم: تجزیه و تحلیل آماری56
4-1 = مقدمه57
4-2 – يافته¬هاي تحقیق57
4-3 – خلاصه فصل69

فصل پنجم: نتیجه گیری و پیشنهادها70
5-1 – مقدمه71
5-2 – خلاصه تحقیق و نتیجه¬گیري71
5-3 – مقايسه نتايج با نتايج پیشین74
5-4 – پیشنهادهاي تحقیق75
5-5 – محدوديتهاي پژوهش76

منابع و مآخذ.77
منابع فارسی77
منابع لاتین.80

 

پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از روش های فراابتکاری کلونی زنبورعسل مصنوعی، علف های هرز و شبکه های عصبی مصنوعی

چکیده

رشد بلند مدت و مداوم اقتصادی نیازمند تجهیز و تخصیص بهینه‌ی منابع در سطح اقتصاد ملی است و این مهم بدون کمک بازارهای مالی، به ویژه بازار سرمایه گسترده و کارآمد به سهولت امکان‌پذیر نیست. سرمایه‌گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه‌های پر‌سود در بازار سرمایه است. اهمیت ویژه بازار سرمایه در توسعه اقتصادی از طریق هدایت موثر سرمایه‌ها و تخصیص بهینه منابع غیر قابل انکار است. سرمایه‌گذاری و بقا در بازار سرمایه مستلزم تصمیم‌گیری می‌باشد که این امر نیازمند دستیابی به اطلاعاتی در خصوص وضعیت آینده قیمت بازار سهام و برخی از عوامل اقتصادی موثر می‌باشد. لذا در صورتی که بتوان روند آتی بازار سهام را به روش‌های مناسب و دقیق پیش‌بینی نمود، سرمایه‌گذار می‌تواند بازده حاصل از سرمایه‌گذاری خود را بیشینه سازد و ریسک را کاهش دهد، که در این صورت شاید بتوان به اقتصاد باثبات‌تری دست یافت. با این وجود پیش‌بینی رفتار مجموعه‌ی پیچیده‌ای نظیر بازار سرمایه در یک مجموعه‌ی اقتصادی مدرن نه تنها دارای اهمیت بالایی است بلکه امری دشوار است. لازم به ذکر است که ارزیابی و پیش‌بینی قیمت سهام و یا هر اوراق بهادار دیگر، روندی تاریخی را رد و تخصص ویژه‌ای می‌طلبد.(فراهانی فرد،1383:1-5)

فهرست مطلب
عنوان صفحه
فصل اول ۱
کلیّات تحقیق ۱
مقدمه ۲
۱-۱- بیان مسئله ۳
۱-۲- اهمیت پژوهش ۴
۱-۳- اهداف تحقیق ۴
۱-۴- سوالات پژوهشی ۵
۱-۵- روش تحقیق ۵
۱-۶- الگوریتم علف های هرز: ۵
۱-۷- شبکه های هوش مصنوعی ۶
۱-۸- الگوریتم زنبورهای مصنوعی ۶
فصل دوم ۸
مبانی نظری تحقیق ۸
مقدمه ۹
۲-۱- پیش بینی قیمت ۹
۲-۱-۱- پیش بینی ۹
۲-۱-۲- اهمیت پیش بینی ۹
۲-۱-۳- سیستم پیش بینی ۱۰
۲-۱-۳-۱- خروجی های سیستم پیش بینی ۱۰
۲-۱-۳-۲- ورودی های سیستم پیش بینی ۱۱
۲-۱-۳-۳- محدودیت های سیستم پیش بینی ۱۱
۲-۱-۳-۴- معیار عملکرد سیستم پیش بینی ۱۱
۲-۱-۴- صحت پیش بینی ۱۲
۲-۱-۴-۱- متغیر های موثر بر صحت پیش بینی ۱۲
۲-۱-۵- ثبات در مقابل تاثیر پذیری ۱۲
۲-۱-۶- زمان مورد نیاز برای پیش بینی ۱۳
۲-۱-۷- روشهای پیش بینی ۱۳
۲-۱-۷-۱- انواع روش های پیش بینی ۱۳
۲-۱-۷-۱-۱- روش های نظری و انواع آن ۱۳
۲-۱-۷-۱-۲- روش های آماری پیش بینی ۱۴
۲-۱-۸- روندهای جدید در پیش بینی ۱۴
۲-۱-۹- اندازه گیری و کنترل خطای پیش بینی ۱۵
۲-۲- بورس سهام اوراق بهادار ۱۶
۲-۲-۱- دوره نخست (۱۳۵۷- ۱۳۴۶) ۱۶
۲-۲-۲- دوره دوم (۱۳۶۷- ۱۳۵۸) ۱۶
۲-۲-۳- دوره سوم (۱۳۸۳- ۱۳۶۸) ۱۷
۲-۲-۴- دوره چهارم (از سال ۱۳۸۴ تاکنون) ۱۷
۲-۳- اهمیت تکنیک های مورد استفاده ۱۸
۲-۴- سابقه تحقیق(مروری بر مطالعات پیشین) ۱۸
۲-۴-۱- مروری بر مطالعات انجام گرفته داخلی ۱۸
۲-۴-۲- مروری بر مطالعات انجام گرفته خارجی ۲۰
۲-۵- جمع بندی مرور ادبیّات ۲۲
فصل سوم ۲۴
روش تحقیق ۲۴
مقدمه ۲۵
۳-۱- روش تحقیق ۲۵
۳-۲- روش گردآوری داده ها ۲۵
۳-۲-۱- قلمرو تحقیق ۲۵
۳-۲-۲- دقلمرو موضوعی ۲۵
۳-۲-۳- قلمرو زمانی ۲۵
۳-۲-۴- قلمرو مکانی ۲۵
۳-۳- نوآوری تحقیق ۲۶
۳-۴- تکنیک های مورد استفاده در تحقیق ۲۶
۳-۴-۱- الگوریتم علف های هرز(IWO) ۲۶
۳-۴-۱-۱- مقدمه ۲۶
۳-۴-۱-۲- اکولوژی تولید مثل علف های هرز ۲۶
۳-۴-۱-۳- شبیه سازی رفتار علف های هرز ۲۶
۳-۴-۱-۴- بررسی مشکلات IWO ۲۹
۳-۴-۱-۵- نوآوری در الگوریتم علف های هرز ۳۰
۳-۴-۱-۶- اجزاء و پارامترهای علف های هرز ۳۰
۳-۴-۱-۶-۱- تعداد جمعیت اولیه ۳۰
۳-۴-۱-۶-۲- حداکثر تعداد تکرار ۳۰
۳-۴-۱-۶-۳- بیشترین تعداد علف ها ۳۰
۳-۴-۱-۶-۴- حداکثر و حداقل تعداد دانه ها ۳۰
۳-۴-۱-۶-۵- مقدار اولیه و نهایی انحراف معیار ۳۱
۳-۴-۱-۶-۶- تابع هدف ( تابع شایستگی ) ۳۱
۳-۴-۲- الگوریتم کلونی زنبور عسل مصنوعی (ABC ) ۳۳
۳-۴-۲-۱- توابع عددی ۳۷
۳-۴-۲-۲- پیکر بندی برای الگوریتم ABC ۳۷
۳-۴-۲-۳- روابط مورد استفاده در مراحل الگوریتم زنبورهای مصنوعی : ۳۸
۳-۴-۳- شبکه های هوش مصنوعی (ANN) ۳۹
۳-۴-۳-۱- مقدمه ۳۹
۳-۲-۳-۲- شبکه عصبی مصنوعی ۴۰
۳-۲-۳-۳- شبکه MLP ۴۰
۳-۲-۳-۴- شبکه های پرسپترون چند لایه ۴۰
۳-۲-۳-۵- مدل تک ورودی در شبکه های عصبی ۴۱
۳-۲-۳-۶- مدل چند ورودی شبکه عصبی ۴۱
۳-۲-۳-۷- کاربرد شبکه های عصبی مصنوعی ۴۳
۳-۲-۳-۸- مدل اتورگرسیو مرتبۀ P یا AR(P) ۴۳
۳-۲-۴- روش گردآوری اطلاعات ۴۳
۳-۲-۵- تعریف بهینه سازی ۴۳
۳-۲-۵-۱- انواع روش های بهینه سازی ۴۳
۳-۲-۵-۱-۱- کلاسیک ها ۴۴
۳-۲-۵-۱-۲- روش های ابتکاری ۴۴
فصل چهارم ۴۵
تجزیه و تحلیل داده ها ۴۵
مقدمه ۴۶
۴-۲- خطاهای پیش‌بینی ۴۶
۴-۳- پیشبینی با استفاده از الگوریتم فراابتکاری علفهای هرز ۴۷
۴-۳-۱- تنظیم پارامترها ۴۷
۴-۳-۲- برآورد وزنها از الگوریتم IWO ۴۸
۴-۴- پیش بینی با الگوریتم فراابتکاری ABC ۴۹
۴-۴-۱- تنظیم پارامترها ۴۹
۴-۴-۲- برآورد وزنها از الگوریتم ABC ۵۱
۴-۴-۳- پیشبینی ۵ دوره انتهایی با استفاده از ABC ۵۱
۴-۵- پیش بینی با استفاده از شبکه های هوش مصنوعی ۵۲
۴-۵-۱- مدل شبکه های عصبی برای قیمت سهام: ۵۲
۴-۵-۲- ضریب بایاس: ۵۴
۴-۵-۲-۱- ضرایب بایاس برای قیمت سهام: ۵۴
فصل پنجم ۵۶
بحث و نتیجه گیری ۵۶
مقدمه ۵۷
۵-۱- ارزیابی مدل های پیش بینی ۵۷
۵-۲- بررسی سوالات پژوهشی ۵۷
۵-۳- بحث و نتیجه گیری ۵۸
۵-۴- پیشنهادات کاربردی ۵۸
۵-۵- پیشنهادات برای تحقیقات آتی ۵۸
مراجع: ۵۹
مراجع فارسی ۵۹
مراجع لاتین: ۶۰
جمع آوری داده‌ها ۶۶

مقایسه قابلیت پیش‌بینی قیمت سهام به وسیله مدل مارکوف پنهان در بازارهای بورس اوراق بهادار تهران، توکیو و بروکسل

چکیده

پیش بینی قیمت سهام یک مسئله کلاسیک میباشد که تا کنون به طور گسترده ای به وسیله ابزارها و مدل های مختلف مورد تجزیه و تحلیل قرار گرفته است.تغییرات روند بازار سهام ناشی از تقابل نیرو های عرضه و تقاضا و دیگر عوامل اقتصادی میباشد . پیش بینی قیمت سهام به دلیل ماهیت پر نوسان و غیر خطی رفتار بازار سهام بسیار مشکل میباشد.تکنیک های اماری سنتی برای توصیف روند های فصلی و نامانایی داده های قیمت در بازار سهام ناتوان هستند .مدل مارکوف پنهان برای انالیز و پیش بینی سری های زمانی به کار میرود. این مدل به طور وسیع در زمینه هایی مانند انالیز مکالمات و توالی یابی دی ان ای کاربرد دارد . بعلاوه از این مدل در پیش بینی قیمت سهام نیز استفاده میشود. در این پژوهش با استفاده از مدل مارکوف پنهان به پیش بینی قیمت سهام در بازاهای بورس تهران، توکیو و بروکسل میپردازیم و سعی داریم به این پرسش پاسخ دهیم که در کدام یک از این بازار ها مدل مارکوف پنهان در پیش بینی قیمت اتی موفق تر عمل میکند. حجم معاملات و درصد تغیرات قیمت سهام و در صد تغیرات مقدار شاخص برای شرکت های جابر ابن حیان ، استلاس و یوسی بی و شاخص قیمت 50 شرکت ، نیکی 225 و بی ای ال20 از 2012/1/1 تا 30/11/2015که داده های پژوهش را تشکیل میدهند و ورودی های مدل مارکوف پنهان برای پرورش مدل از انها استخراج میشود از منابع کتاب خانه ای استخراج شده. سپس بعد از انجام پیش بینی به وسله مدل مارکوف پنهان و به دست اوردن تغیرات قیمت سهام و مقدار شاخص ها در روز اینده ، با استفاده از داده های یک ماه ، از 2015/12/1 تا 2015/12/30 به تست مدل پرداخته ایم که بررسی دقت پیش بینی توسط معیار متوسط درصد خطای مطلق نتایج خوبی را نشان میدهد. این عدد برای پیش بینی قیمت اتی سهام شرکت جابرابن حیان 0.16208- ، شرکت یوسیبی 0.13749- ، شرکت استلاس 0.222- و برای پیش بینی مقدار روز اینده شاخص قیمت 50 شرکت 0.0932، نیکی 225 0.117872- ، بی ای ال20 0.04547-میباشد.

فهرست مطالب
فصل اول 1
کلیات پژوهش 1
1-1 . مقدمه 2
1-2. بیان مسئله 2
1-3.اهداف پژوهش 6
1-۴. پرسشهای پژوهش 6
1-۴-1 پرسش های اصلی 6
1-۴-2 پرسشهای فرعی 7
۱-۵. اهمیت و ضرورت پژوهش 7
1-5-1. اهمیت و ضرورت نظری 7
1-5-2. اهمیت و ضرورت کاربردی 7
1-6.روش پژوهش 8
1-6-1. جامعه اماری 8
1-6-2. ابزار گرد اوری داده ها 8
1-6-3. روش تجزیه و تحلیل داده ها 8
1-7 . قلمرو تحقیق 9
1-8.تعریف مفهومی و عملیاتی واژه های تحقیق 9
1-8-1. درصد تغیرات قیمت 9
1-8-2. درصد تغیرات حجم معاملات 9
1-8-3. شاخص قیمتی 9
1-8-4. شاخص قیمت 50 شرکت 9
1-8-5. شاخص نیکی225 10
1-8-6. شاخص بی ای ال 20 10
1-8-7. متوسط مطلق درصد خطاها 10
1-9. نوآوری پژوهش 10
فصل دوم 2
مباني نظري و پیشینه پژوهش 2
2-1. مقدمه 12
۲-۲ . مبانی نظری تحقیق 12
2-2-1. شاخص های بازار سرمایه 12
2-2-2. شاخص قیمت 13
2-2-1. تحلیل تکنیکال 14
2-2-1-2. تحلیل بنیادی 15
2-2-1-3. مقایسه تحلیل تکنیکال و تحلیل فاندامنتال 16
۲-2-2. زنجیره مارکوف 17
2-2-3. مدل مارکوف پنهان 19
2-2-5. مرتبه مدل مارکوف 21
2-2-6. مسائل موجود در ادبیات مارکوف پنهان. 23
1-2-6-1. مسئله براورد و الگوریتم پیشرو 25
2-2-6-2. مسئله کدگشایی و الگوریتم وایتربی 28
2-2-6-3. مسئله پرورش 29
2-2-6-3-1. معیار بیشترین شباهت 29
1-2-3-2. الگوریتم بام-ولش 30
1-2-3-3. الگوریتم حد اکثر سازی امید ریاضی 32
1-2-4. مدل مارکوف پنهان با توزیع احتمال مشاهدات پیوسته و گسسته. 33
2-4-1.توزیع احتمال مشاهدات گسسته. 33
2-4-2 توزیع احتمال مشاهدات پیوسته. 33
۲-3. پیشینه تحقیقات 35
2-5. جمع بندی 39
فصل سوم 40
روششناسی پژوهش 40
3-1. مقدمه 41
۳-۲. روش پژوهش 41
3-۳. جامعه پژوهش 41
3-۴. روش نمونهگیری و حجم نمونه 42
3-5. ابزار گردآوری دادهها 42
3-6. مدل مفهومی تحقیق 42
3-7. متغیر های تحقیق 43
3-8 . روش جمعآوری دادهها 44
3-9. روش تجزیه و تحلیل دادهها 44
فصل چهارم 41
یافته های پژوهش 41
4-1. مقدمه 46
۴-۲. توضیح مدل و پردازش داده های اماری استخراج شده 46
4-2-1. تصریح مدل 46
4-2-2. پردازش داده های مدل 48
4-2-2-1. پردازش داده های سهام شرکت جابرابن حیان 49
4-2-2-2. پردازش داده های شاخص قیمت 50 شرکت 52
4-2-2-3. پردازش داده های شرکت استلاس 53
4-2-2-4. پردازش داده های شاخص نیکی225 55
4-2-2-4. پردازش داده های شرکت یو سی بی 57
4-2-2-4. پردازش داده های شاخص بی ای ال 20 59
4-2-محاسبه خطای پیش بینی و مقایسه ان 61
فصل پنجم 58
بحث، نتیجهگیری و پیشنهادها 58
5-1. مقدمه 63
۵-۲. پاسخ به پرسشهای پژوهش 63
۵-۲-۱. بررسی پرسش فرعی اول 63
۵-۲-2. بررسی پرسش فرعی دوم 63
۵-۲-3. بررسی پرسش فرعی سوم 64
۵-۲-4. بررسی پرسش فرعی چهارم 64
۵-۲-5. بررسی پرسش فرعی پنجم 64
۵-۲-5. بررسی پرسش فرعی ششم 64
۵-۲-۱. بررسی پرسش اصلی اول 65
5-۲-۱. بررسی پرسش اصلی دوم 65
۵-۳. نتیجهگیری 66
۵-۴. پیشنهادهای حاصل از پژوهش 67
۵-۵. پیشنهاد برای پژوهشهای آتی 67
5-6.محدودیت های پژوهش 69
منابع 70
منابع فارسی 71
منابع لاتین 73
پیوستها 75
پیوست الف 76

 

پیش‌بینی روند بازار سهام در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی پویا و بر اساس شاخص قیمت دلار، نفت و طلا

چکیده

شاخص قیمت جهانی نفت از مهم‌ترین شاخص‌های تأثیرگذار بر عوامل اقتصادی و سیاسی در هر کشور است. قیمت جهانی نفت به‌عنوان یک متغیر برون‌زای قدرتمند، تحت تأثیر قرار دهنده‌ی بسیاری از متغیرهای اقتصاد کلان، از جمله شاخص قیمت سهام است.در تحقیق حاضر به دنبال پیش‌بینی روند آتی شاخص صنایع برتر بورس اوراق بهادار تهران با استفاده از بازده قیمت بازارهای ارز، طلا و نفت با استفاده از شبکه‌های عصبی پویا خواهیم بود.این تحقیق نشان می‌دهد که مدل شبکه عصبی پویا در ارتباط با تخمین روند آتی شاخص محصولات شیمیایی، صنعت خودروسازی، کانه فلزی، فلزات اساسی، فراورده‌های نفتی، بانک‌ها و مؤسسات تجاری نسبت به مدل شبکه عصبی ایستا قدرت بیشتری دارد.

فصل اول کلیات پژوهش ۱
۱-۱ مقدمه ۱
۱-۲ تعریف و بیان مساله تحقیق ۱
۱-۳ اهمیت و ضرورت انجام تحقیق ۱
۱-۴ فرضیه های تحقیق ۲
۱-۵ اهداف تحقیق ۳
۱-۶ جنبه جدید بودن و نوآوری تحقیق ۳
۱-۸ روش تحقیق ۴
۱-۹ ابزار گردآوری اطلاعات و روش تجزیه‌وتحلیل آن ۴
۱-۱۰ قلمرو تحقیق ۴
قلمرو مکانی-جامعه تحقیق ۴
دوره زمانی تحقیق ۴
۱-۱۲ تعریف واژگان کلیدی ۵
فصل دوم پیشینه پژوهش ۶
۱-۲ مقدمه ۷
۲-۲ انواع شاخص بورس درایران ۸
۱-۲-۲ شاخص کل ۸
۱-۱-۲-۲ ویژگیهای شاخص کل ۹
۲-۱-۲-۲موارد ی که در شاخص کل اثری ندارند ۹
۳-۱-۲-۲مواردی که نیازی به تعدیل شاخص نمی باشد ۱۰
۲-۲-۲شاخص بازده نقدی و قیمت ۱۰
۳-۲-۲شاخص بازده نقدی ۱۱
۴-۲-۲شاخص صنعت ۱۱
۵-۲-۲شاخص مالی ۱۱
۶-۲-۲شاخص شرکت ۱۱
۷-۲-۲شاخص ۵۰ شرکت برتر ۱۱
۳-۲شاخص‌های بازار سرمایه درسایر کشورها ۱۲
۱-۳-۲ شاخص فوتسی ۱۰۰ در بورس لندن ۱۲
۲-۳-۲شاخص داو-جونز ۱۳
۳-۳-۲شاخص نزدک ۱۳
۴-۳-۲شاخص نیکی ژاپن ۱۳
۵-۳-۲شاخص دکس ۱۳
۶-۳-۲شاخص هنگ کنگ(سنگ) ۱۴
۷-۳-۲شاخص بورس فرانسه )کک ۴۰( ۱۴
۸-۳-۲شاخص استاندارد اند پورز ۱۴
۹-۳-۲شاخص‌های بورس مالزی ۱۴
۴-۲ روش های پیش بینی قیمت اوراق بهادار ۱۵
۱-۴-۲روش پرتفوی یا تئوری گشت تصادفی ۱۵
۲-۴-۲روش اساسی یا تجزیه وتحلیل بنیادی ۱۶
۳-۴-۲ روش نموداری یا تجزیه تحلیل تکنیکی: ۱۶
۵-۲ تعریف شاخص و انواع آن ۱۶
۱-۵-۲ شاخص و تعریف آن ۱۶
۲-۵-۲ تاریخچه شاخص قیمت سهام ۱۷
۳-۵-۲ شاخص‌های بورس تهران ۱۸
۱-۳-۵-۲ شاخص کل قیمت ۱۸
۲-۳-۵-۲ شاخص صنایع ۱۹
۳-۳-۵-۲ شاخص پنجاه شرکت فعال‌تر ۱۹
۴-۳-۵-۲ شاخص قیمت و بازد نقدی ۱۹
۵-۳-۵-۲ شاخص بازده نقدی ۲۲
۶-۳-۵-۲ شاخص سهام شناور آزاد ۲۲
۱-۶-۳-۵-۲ تعدیل ضریب سهام شناور آزاد ۲۵
۲-۶-۳-۵-۲ تعدیل ضریب سهام شناور آزاد ۲۶
۶-۲برخی از اصلاحات سرمایه گذاری: ۲۸
۷-۲شاخص میانگین متحرک همگرا واگرا: ۳۱
۹-۲میانگین متحرک همگرا واگرا( سه گانه ): ۳۲
نمودار ۱-۲ سیگنال های میانگین همگراواگرا(سه گانه) ۳۳
۱۰-۲شاخص قدرت نسبی: ۳۴
نمودار ۲-۲ سیگنال های شاخص قدرت نسبی(لطفی ودرویش، ۱۳۸۵،۵۷)۱ ۳۵
۱۱-۲ انواع بازده: ۳۵
۱۱-۲-۱- بازده کمی ۳۵
۱۱-۲-۲ بازده کیفی ۳۹
۱۲-۲مروری بر مطالعات تجربی : ۴۸
۱-۱۲-۲ تحقیقات انجام شده در خارج از کشور: ۴۸
۲-۱۲-۲تحقیقات صورت گرفته در داخل کشور: ۵۸
فصل سوم روش پژوهش ۶۶
۳-۱ مقدمه ۶۷
۳-۲ موضوع تحقیق ۶۷
۳-۳ روش تحقیق ۶۷
۳-۴ جامعه آماری، نمونه آماری و دوره زمانی تحقیق ۶۸
۳-۵ متغیر های تحقیق ۶۸
۳-۶ جمع آوری داده ها و اطلاعات ۶۸
۳-۷ تکنیک های مورد استفاده در تحقیق ۶۸
۳-۷-۱- شبکه های عصبی مصنوعی (ANN) ۶۸
۳-۷-۱-۱ مدل ریاضی نرون ۷۱
۳-۷-۱-۲ انواع یادگیری در شبکه های عصبی ۷۱
۳-۷-۱-۳ پرسپترون چند لایه و الگوریتم پس انتشار خطا ۷۲
۳-۷-۱-۴ نقاط قوت و ضعف شبکه های عصبی مصنوعی ۷۵
۳-۷-۱-۴ تفاوت شبکه های عصبی مصنوعی پویا و ایستا ۷۵
۳-۷-۲ معیارهای ارزیابی مدل های تحقیق ۷۶
۳-۸- خلاصه فصل ۷۷
فصل چهارم آزمون فرضیات پژوهش ۷۸
۴-۱- مقدمه ۷۹
۴-۲- اطلاعات توصیفی متغیر های تحقیق ۷۹
۴-۳- آزمون فرضیه های تحقیق ۸۰
۴-۳-۱ اجرای مدل ها ۸۳
۴-۳-۱-۱- مدل های شبکه عصبی ۸۳
۴-۳-۲- آزمون فرضیه اول ۸۴
۴-۳-۳- آزمون فرضیه دوم ۸۵
۴-۳-۴- آزمون فرضیه سوم ۸۶
۴-۳-۵- آزمون فرضیه چهارم ۸۷
۴-۳-۶- آزمون فرضیه پنجم ۸۸
۴-۳-۷- آزمون فرضیه ششم ۸۹
۴-۴ خلاصه فصل ۹۱
فصل پنجم خلاصه، نتیجه گیری و پیشنهاد ها ۹۲
۵-۱ مقدمه ۹۳
۵-۲- خلاصه نتایج آزمون فرضیههای تحقیق ۹۴
۵-۲-۱- فرضیه اول ۹۵
۵-۲-۲- فرضیه دوم ۹۵
۵-۲-۳- فرضیه سوم ۹۶
۵-۲-۴- فرضیه چهارم ۹۶
۵-۲-۵- فرضیه پنجم ۹۷
۵-۲-۵- فرضیه ششم ۹۷
۵-۴ محدودیتهای تحقیق ۹۸
۵-۵ پیشنهادهای تحقیق ۹۸
۵-۵-۱ پیشنهادها به استفادهکنندگان از نتایج تحقیق ۹۸
۵-۵-۲ پیشنهاد ها برای تحقیقات آتی ۹۸
۵-۶ خلاصه فصل ۹۹

بررسی قابلیت پیش بینی حد بالا و پایین قیمت سهام با استفاده از مدل های سری زمانی مبتنی بر حافظه کوتاه مدت و بلندمدت در بورس اوراق بهادار تهران

چکیده

امروزه سرمایه گذاری در بورس نقش مهمی را در اقتصاد کشورها ایفا کرده و مقدار قابل توجهی از سرمایه در سطح جهان از طریق بازارهای بورس مبادله می شود. در این بازارها، افرادی قادر خواهند بود بازده مطلوبی از سرمایه گذاری خود کسب کنند که توانایی درک صحیح از آینده بازار را داشته باشند. پیش بینی رفتار بازارهای مالی امری بسیار پیچیده می باشد، زیرا توزیع سری های زمانی مالی در طول زمان دائماً در حال تغییر است. این پژوهش با تمرکز بر حد بالا و پایین قیمت های روزانه سهام 24 شرکت فعال تر در بورس اوراق بهادار تهران طی سال های 93-1390 نقشی را در تحلیل تکنیکال بازار سرمایه ایفا می کند. ایده اصلی استفاده از پیش بینی حد بالا و پایین برای تعیین سیگنال های ورود و خروج می باشد. از این رو، با تجزیه و تحلیل داده های نمونه آماری توسط نرم افزارهای Eviews، Stata و JMulTi مانایی در سطح و حافظه بلند بودن حد بالا و پایین قیمت سهام و قابلیت پیش بینی آن ها مورد تأیید قرار گرفت اما مدلسازی آن ها توسط مدل خودرگرسیونی تصحیح خطای برداری فرکتالی (FVECM) مورد تأیید واقع نشد. در ادامه تحقیق، پیش بینی حد بالا و پایین قیمت سهام صورت گرفته و همچنین الگوی پویا، رابطه تعادلی بلندمدت و دوره تعدیل برای دو متغیر فوق الذکر توسط روش ARDL استخراج گردید.

فصل اول: کلیات تحقیق 1
1-1. مقدمه 2
1-2. بیان مسأله 3
1-3. اهمیت و ضرورت تحقیق 7
1-4. سوالات تحقیق 8
1-5. فرضیه های تحقیق 9
1-6. جامعه و نمونه آماری 9
1-6-1. قلمرو مکانی تحقیق 9
1-6-2. قلمرو زمانی تحقیق 9
1-6-3. قلمرو موضوعی تحقیق 10
1-7. تعاریف مفهومی و عملیاتی واژگان تحقیق 10
1-8. ساختار پروژه 12
فصل دوم: مروری بر پیشینه تحقیق 13
2-1. مقدمه 14
2-2. تاریخچه موضوع 14
2-2-1. نظریه بازار کارای سرمایه 15
2-2-2. کارایی اطلاعاتی 15
2-2-2-1. شکل ضعیف کارایی 16
2-2-2-2. شکل نیمه قوی کارایی 16
2-2-2-3. شکل قوی کارایی 16
2-2-3. کارایی تخصصی 17
2-2-4. کارایی عملیاتی 17
2-3. حافظه بلندمدت 17
2-4. مدل های مرتبط با موضوع 20
2-4-1. مدل خودرگرسیونی تصحیح خطای برداری فرکتالی 23
2-4-2. مدل خودرگرسیون با وقفه های توزیعی 25
2-5. تحقیقات مرتبط 29
2-5-1. تحقیقات داخلی 29
2-5-2. تحقیقات خارجی 37
2-6. خلاصه فصل 42
فصل سوم: روش تحقیق 43
3-1. مقدمه 44
3-2. موضوع تحقیق 45
3-3. جامعه آماری 45
3-4. نمونه آماری و روش نمونه‌گیری 46
3-5. ابزار جمع آوری داده ها 46
3-6. آزمون های آماری مورد استفاده 46
3-7. متغیرهای تحقیق 47
3-8. آزمون ریشه واحد (مانایی) 47
3-9. آزمون حافظه بلندمدت 48
3-10. مدل خودرگرسیونی تصحیح خطای برداری فرکتالی 48
3-10-1. آزمون هم انباشتگی 49
3-11. آزمون همبستگی 49
3-12. آزمون همخطی 49
3-13. آزمون علیت گرنجر 50
3-14. پیش بینی 50
3-15. مدل خود رگرسیون با وقفه های توزیعی 52
3-15-1. الگوی تصحیح خطا 52
3-16. خلاصه فصل 53
فصل چهارم: تجزیه و تحلیل داده ها 54
4-1. مقدمه 55
4-2. تحلیل توصیفی متغیرهای تحقیق 55
4-3. آزمون فرضیه اول تحقیق 56
4-3-1. آزمون ریشه واحد (مانایی) 56
4-3-2. آزمون حافظه بلند مدت 59
4-4. آزمون فرضیه دوم تحقیق 62
4-4-1. آزمون هم انباشتگی 62
4-5. آزمون همبستگی 62
4-6. آزمون همخطی 62
4-7. آزمون علیت گرنجر 63
4-8. پیش بینی 63
4-9. روش ARDL 65
4-10. استخراج مدل ECM و رابطه بلند مدت 68
4-11. محاسبه دوره تعدیل 69
4-12. نتیجه گیری و جمع بندی 70
فصل پنجم: نتیجه گیری و پیشنهادات 71
5-1. مقدمه 72
5-2. خلاصه نتایج 72
5-3. بحث و نتیجه گیری 72
5-4. پیشنهادات کاربردی 73
5-5. پیشنهاد بررسی تحقیقات آینده 73
5-6. محدودیت های تحقیق 74
منابع و مآخذ 75
منابع فارسی 76
منابع لاتین 80
پیوست 83
آزمون های آماری 84
آزمون های ریشه واحد 86
آزمون های حافظه بلند مدت مرتبه اول 89
آزمون های حافظه بلند مدت مرتبه دوم 90
روش حداقل مربعات 92
آزمون علیت 92
پیش بینی 93
آزمون ARDL 94
مدل ECM و رابطه بلند مدت 96

————————————————————————————————————————————–

برای دریافت فایل بر روی لینک زیر کلیک نمایید.

تومان49,000 تومان39,000افزودن به سبد خرید

————————————————————————————————————————————–