پایان نامه پیش بینی زمان بهینه انجام معاملات با شبکه عصبی فازی و تحلیل تکنیکال

پایان نامه پیش بینی زمان بهینه انجام معاملات با شبکه عصبی فازی و تحلیل تکنیکال پایان نامه پیش بینی زمان بهینه انجام معاملات با شبکه عصبی فازی و تحلیل تکنیکال

دسته : مدیریت

فرمت فایل : word

حجم فایل : 2860 KB

تعداد صفحات : 156

بازدیدها : 565

برچسبها : تحلیل تکنیکال شبکه عصبی فازی انجام معاملات بازار سهام

مبلغ : 14000 تومان

خرید این فایل

دانلود پایان نامه پیش بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی با رویکرد تحلیل تکنیکال

پایان نامه پیش بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی با رویکرد تحلیل تکنیکال

چکیده

در این تحقیق به عنوان نمونه پیش بینی زمان بندی معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدین صورت که ابتدا داده های اولیه که شامل 3 متغیر قیمت پایانی، کمترین قیمت و بیشترین قیمت سهام طی دوره زمانی 1388 تا پایان 1391 بصورت روزانه است، از سایت رسمی سازمان بورس اوراق بهادار تهران گردآوری گردید. سپس با استفاده از این داده ها و تعریف توابع مربوطه در نرم افزار Excel شاخص های قدرت نسبی RSI، میانگین متحرک همگرا-واگرا (MACD)، میانگین متحرک ساده SMA، نوسانگر تصادفی SO، میانگین متحرک نمایی (EMA) و خط سیگنال (SL) محاسبه شدند. پس از گردآوری سایر داده ها با استفاده از رگرسیون گام به گام متغیرهای ورودی هر شبکه عصبی فازی مربوط به هر سهم شناسایی شد. در شناسایی متغیرهای موثر بر شاخص های تحلیل تکنیکال این نتیجه حاصل شد که شاخص های RSI، MACD و شاخص کل سهام در 70 درصد نمونه مورد بررسی بر RSI 14 روز آتی تاثیر داشته اند. از طرفی، MACD-SL در 94 درصد نمونه مورد بررسی به عنوان متغیر ورودی شبکه پیش بین MACD-SL 14 روز آتی درنظر گرفته شده است. ازمیان متغیرهای مستقل، قیمت پایانی بیشترین تکرار را (تقریبا در 76 درصد موارد) در شبکه های پیش بین SMA-P 14 روز آتی داشته است. بیشترین متغیری که به عنوان ورودی شبکه های پیش بین EMA-P و SO 14 روز آتی شناسایی گردید، نسبت قیمت به سود بوده است. از میان کلیه متغیرها دلار و طلا به نسبت کمتری به عنوان متغیر ورودی درنظر گرفته شده است. این ورودی ها در نرم افزار Matlab و از طریق رابط گرافیکی Anfisedit جهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه ای که پنج شبکه ANFIS برای پیش بینی متغیرهای RSI ، -SL MACD، -P SMA، SO وEMA-P 14روز آتی برای هر سهم طراحی شدند. سپس با استفاده از معیار MSE و RMSE و درصد صحت پیش بینی عملکرد شبکه های ایجاد شده بررسی گردید. نتایج نشان داد که میانگین درصد صحت پیش بینی کلیه شبکه های ایجاد شده (55/96%) بیشتر از حالت تصادفی (50%) است. سپس با اعمال مقررات معاملاتی مقادیر پیش بینی شده به سیگنال تبدیل شدند.

کلمات کلیدی: تحلیل تکنیکال، شبکه عصبی فازی، پیش بینی، بورس اوراق بهادار تهران.

شرح و بیان مساله پژوهشی

همواره سرمایه گذاری و انباشت سرمایه در تحول اقتصادی کشور نقش بسزایی داشته است. اهمیت این عامل و نقش مؤثر آن را می توان به وضوح در سیستم کشورهایی با نظام سرمایه داری مشاهده کرد. بدون شک بورس یکی از مناسب ترین جایگاه ها جهت جذب سرمایه ها ی 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 سرمایه گذاری، به تعویق انداختن مصرف جهت مصرف بیشتر و بهتر در آینده است؛ افراد سرمایه گذار انتظار دستیابی به سود مورد انتظار خود را دارند. بنابراین جهت دست یابی به بازده مورد انتظار می بایست خرید و فروش در بهترین زمان ممکن و در حجم مناسب صورت گیرد. یکی از مسائل مهم در زمینه مدیریت سرمایه گذاری، تعیین زمان مناسب خرید و فروش سهام است. این مساله توجه محققان را برای سال های مدیدی جلب نموده است. علت توجه بدین مساله، کسب منافع مهم مالی است که از یک مدل پیش بینی موفق بدست می آید. برای دست یابی به این منافع تلاش های بسیاری صورت گرفته و از سخت افزارها و نرم افزارها، تحلیل ها ی متفاوت مالی و مانند اینها ابداع شده و مورد استفاده قرار گرفته است. متخصصان بازار سرمایه برای سالیان متمادی بازار را مطالعه نموده اند و الگوهایی را فرا گرفته اند و پیش بینی ها را براساس آن انجام می دهند. آنها ترکیبی از تشخیص الگو و تجربه مبتنی بر مشاهده روابط علّت و معلول را بکار می برند. با این وجود در روندهای مالی، اغلب شرایطی بوجود می آید که قوانین را بهم می ریزد و پیش بینی را توسط روش ها ی مذکور دشوار می سازد. در منطق و نیز در علم همواره شکافی بین تئوری و تفسیر نتایج حاصل از جهان نادقیق به علت ابهام و کاستی اطلاعات واقعی دیده می شود. از زمان ارائه نظریه مجموعه های فازی گامی موثر در جهت رفع این مساله برداشته شده است. مفاهیمی وجود دارند که از دید نرم افزاری مبهم و نادقیق هستند اما برای انسان کاملا قابل درک و پذیرفتنی است. ادغام مجموعه های فازی و شبکه های عصبی یکی از اقداماتی است که جهت شناسایی شرایط مبهم و عدم اطمینان به مدل های پیش بینی صورت می گیرد. شبکه های عصبی مصنوعی یکی از روش های بدیع و در حال تحول است که در موضوعات متنوعی قابلیت کاربرد دارد. زمان بندی معاملات سهام مساله ای بسیار مهم و مشکل به دلیل پیچیدگی بازار سهام است. آنچه اهمیت دارد، پیش بینی روند قیمت سهام است که هدف اصلی در مباحث تحلیل تکنیکال است. تحلیل تکنیکال فرایند تحلیل قیمت های تاریخی سهام و حجم مبادلات در کوشش جهت پیش بینی حرکت های آینده قیمت می باشد. در این راستا فرصت های خرید و فروش از راه برآورد محدوده نوسانات بازار مشخص می شود. گرچه این امر به دلیل دخالت عوامل متعدد بازار و روابط بین آنها چندان آسان نیست. به نظر می رسد استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبکه های عصبی فازی در مدل سازی فرایند های غیرخطی که منتج به قیمت و روند سهام می شوند، می تواند بسیار مفید باشد. لذا در این پژوهش سعی می شود با استفاده از متغیرهای بازار سرمایه (شاخص کل، نسبت P/E، سود هر سهم و...)، متغیرهای اقتصادی (نرخ ارز، قیمت نفت، قیمت طلا و...) و شاخص ها ی تحلیل تکنیکال (RSI ،SO ، MACDو ...) شبکه عصبی فازی ای طراحی شود که قابلیت دستیابی به جواب بهینه ای نزدیک به جواب واقعی را دارا باشد. با توجه به شرح و بیان مسئله پژوهشی گفته شده، هدف این پایان نامه؛ طراحی مدلی جهت پیش بینی زمان بهینه انجام معاملات می باشد.

بازارهای مالی

بدون شناسایی انواع بازارهای مالی، شناخت کاملی از سیستم مالی کسب نمی گردد. بازار مالی، بازار رسمی و سازمان یافته ای است که در آن انتقال وجوه از افراد و واحدهایی که با مازاد منابع مالی مواجه هستند، به افراد و واحدهای متقاضی وجوه صورت می گیرد. بدیهی است که در این بازار وام دهندگان را خانوارها و اکثریت متقاضیان وجوه را بنگاه های اقتصادی و دولت تشکیل می دهند. در این بازارها، اوراق بهادارهایی، مثل اوراق قرضه و سهام شرکت ها، معامله می شوند. خرید و فروش اوراق بهادار و رغبت مردم به سرمایه گذاری در این اوراق در گرو وجود بازارهای مالی است. اگر بازار مالی وجود نداشته باشد، سرمایه گذاران نمی توانند اوراق بهادار خود را به پول نقد تبدیل کنند.

انواع بازارهای مالی

انواع مختلفی از بازارهای مالی، با تنوعی از سرمایه گذاری ها و مشارکت کنندگان وجود دارد. بازارهای مالی را برحسب سرمایه گذاری ها، سررسید سرمایه گذاری ها، انواع وام دهندگان و وام گیرندگان، محل بازار و انواع مبادلات دسته بندی می نمایند. یکی از متداول ترین تقسیم بندی ها، تقسیم بندی بر حسب سررسید می باشد. بر این اساس، بازار مالی از بازارهای پول و بازارهای سرمایه تشکیل می شود. بازار پول برای ابزار بدهی کوتاه مدت می باشد و بازار سرمایه برای دارایی مالی با سررسید طولانی تر می باشد. از جمله اوراق بهاداری که در بازار سرمایه مبادله می شوند، می توان به سهام و اوراق قرضه بلند مدت اشاره کرد. بازارهای سرمایه از بازارهای اولیه (دست اول) و بازارهای ثانویه (دست دوم) تشکیل می گردند. بازارهای اولیه یک بازار مالی است که درآن اوراق بهادار تازه منتشر شده به خریداران آن عرضه می گردد.

بورس

بورس مکانی است که در آن تشکیلات منظمی وجود دارد به طوری که درآن مکان، سهام و اوراق بهادار پذیرفته شده، بصورت منظم و سازمان یافته مبادله می شوند. ریشه های ایجاد بورس های بزرگ امروز جهان را باید در بازارهای مکاره قرون وسطی جستجو کرد. در این مراکز، معاملات در آغاز کالا به کالا یا پایاپای بود. لیکن مشکلاتی که در انجام معاملات پایاپای وجود داشت، واسطه مبادله ای به نام پول به وجود آورد که خود ابتدا به صورت کالا بود،

فصل اول: کلیات پژوهش

مقدمه

شرح و بیان مساله پژوهشی

اهمیت و ارزش پژوهش

اهداف پژوهش

فرضیه های پژوهش

روش پژوهش

نوع مطالعه و روش بررسی فرضیه ها

جامعه آماری

ابزار گردآوری داده ها

ابزار تجزیه و تحلیل

واژگان کلیدی

کلمات اختصاری

خلاصه

فصل دوم: مروری بر ادبیات موضوع

مقدمه

مفاهیم سرمایه گذاری

بازارهای مالی

انواع بازارهای مالی

بورس

- اهمیت بورس اوراق بهادار

- تاریخچه بورس اوراق بهادار تهران

مفهوم سرمایه گذاری

فرایند سرمایه گذاری

روش های سرمایه گذاری

سهام عادی

نظریه سرمایه گذاری در بورس

بازده سرمایه گذاری

کارایی بازار سرمایه و اهمیت آن در ارزیابی سهام

پیش بینی

روش های پیش بینی کیفی

روش های پیش بینی کمی

انتخاب روش پیش بینی

روش بنیادی

روش پیش بینی سری های زمانی کلاسیک

روش های تکنیکال یا فنی

سیستم فازی

منطق فازی

مجموعه های فازی

عملگرهای مجموعه فازی

شبکه عصبی فازی

شبکه های عصبی مصنوعی

تاریخچه شبکه های عصبی مصنوعی

ویژگی و قابلیت های شبکه های عصبی مصنوعی

تعریف شبکه عصبی قازی

نرون های فازی

قوانین فازی

سیستم های استنتاج فازی

روش های فازی ساز

روش های غیر فازی ساز

سیستم استنتاج ممدانی

سیستم استنتاج تاکاگی-سوگنو

شبکه های عصبی فازی چند لایه

شبکه ANFIS

مزایای ANFIS

فرایند یادگیری در شبکه

الگوریتم یادگیری پس انتشار خطا

ایجاد ساختار اولیه FIS

فرایند یادگیری در شبکه ANFIS

اندازه گیری خطا در شبکه های عصبی

نرمالسازی خطی داده ها در فاصله [L,H]

پیشینه موضوع

بررسی کارآیی یا عدم کارآیی بازار

امکان سنجی بکارگیری شاخص های تحلیل تکنیکال در پیش بینی روند قیمت سهام

مروری بر پژوهشات صورت گرفته در زمینه پیش بینی متغیرهای اقتصادی و مالی با استفاده از سیستم های هوشمند

پژوهشات داخلی

پژوهشات خارجی

خلاصه

فصل سوم: روش پژوهش

مقدمه..

اهداف پژوهش..

متغیرهای پژوهش..

فرضیه های پژوهش..

نوع پژوهش..

روش پژوهش..

جامعه آماری..

ابزار گردآوری داده ها..

ابزار تجزیه و تحلیل..

قلمرو پژوهش..

خلاصه..

فصل چهارم: تجزیه و تحلیل داده ها

مقدمه

انتخاب متغیرهای ورودی

نرمال سازی داده ها

شناسایی متغیرهای ورودی شبکه

پیش بینی شاخص های تحلیل تکنیکال با استفاده از شبکه عصبی فازی

انتخاب داده های آزمون و آموزش

طراحی شبکه عصبی فازی

ارزیابی عملکرد شبکه

ارزیابی عملکرد شبکه بر اساس معیار MSE

ارزیابی عملکرد شبکه بر اساس معیار RMSE

بررسی درصد صحت پیش بینی شبکه عصبی فازی

بررسی معناداری تفاوت میانگین بازدهی روش های معاملاتی

خلاصه

فصل پنجم: نتیجه گیری و پیشنهادها

مقدمه

خلاصه پژوهش

نتایج پژوهش

محدودیت های پژوهش

پیشنهادها

خلاصه

منابع

پیوست ها

خرید و دانلود آنی فایل

به اشتراک بگذارید

Alternate Text

آیا سوال یا مشکلی دارید؟

از طریق این فرم با ما در تماس باشید