پایان نامه مهندسی صنایع گرایش مهندسی مالی: پیش بینی قیمت سهام با بهره گرفتن از داده کاوی و شبکه های عصبی

متن کامل پایان نامه با فرمت ورد

پایان نامه مقطع کارشناسی ارشد رشته صنایع

دانشگاه صنعتی خواجه نصیرالدین طوسی

دانشکده مهندسی صنایع

پایان نامه کارشناسی ارشد رشته مهندسی صنایع

گرایش مهندسی مالی

عنوان:

پیش بینی قیمت سهام با بهره گرفتن از داده کاوی و شبکه های عصبی

استاد راهنما:

دکتر امیر عباس نجفی

تکه هایی از متن به عنوان نمونه :

فهرست مطالب:

فصل اول : کلیات تحقیق.. ۱

۱-۱- مقدمه. ۲

۱-۲- نظریه کارایی بازار سرمایه. ۳

۱-۳- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی.. ۵

۱-۴- پژوهش‌های مشابه. ۹

۱-۵- ضرورت انجام تحقیق و اهمیت تحقیق.. ۱۳

۱-۶- اهداف تحقیق.. ۱۴

۱-۷- ساختار تحقیق.. ۱۴

فصل دوم : ادبیات تحقیق.. ۱۵

۲-۱- مقدمه. ۱۶

۲-۱-۱- تحلیل تکنیکی.. ۱۷

۲-۱-۲- تحلیل بنیادین.. ۱۸

۲-۱-۳- تحلیل توسط مدل‌های علمی.. ۱۹

۲-۲- آیا بازار سرمایه پیش بینی پذیر است؟. ۲۲

۲-۲-۱- نظریه کارایی بازار سرمایه. ۲۲

۲-۲-۲- فروض نظریه کارایی بازار ۲۸

۲-۲-۳- انتقادات وارد شده به نظریه کارایی بازار سرمایه. ۲۹

۲-۲-۴- پاسخ نظریه کارا ۳۰

۲-۲-۵- نتیجه گیری.. ۳۱

۲-۳- داده کاوی.. ۳۲

۲-۳-۱- مقدمه. ۳۲

۲-۳-۲- مفهوم داده کاوی.. ۳۳

۲-۳-۴- اهداف داده کاوی.. ۳۶

۲-۳-۵- داده کاوی و رابطه آن با علم آمار ۴۱

۲-۴- شبکه عصبی.. ۴۳

۲-۴-۱- معرفی: ۴۳

۲-۴-۲- کاربرد شبکه های عصبی.. ۴۴

۲-۴-۳- تعریف پایه شبکه های عصبی.. ۴۴

۲-۴-۴- ویژگی های شبکه عصبی.. ۴۶

۲-۵- تحلیل تکنیکال. ۵۹

۲-۵-۱- مقدمه: ۵۹

۲-۵-۲- اندیکاتورهای تحلیل تکنیکال. ۶۰

۲-۶- مرور پژوهش های مشابه. ۶۳

۲-۶-۱- کاربرد شبکه عصبی در پیش بینی قیمت سهام. ۶۳

۲-۶-۲- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام. ۷۰

۲-۶-۳- کاربرد داده کاوی در بازار سهام. ۷۵

۲-۶-۴- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام. ۷۷

فصل سوم : روش تحقیق.. ۸۱

۳-۱- مقدمه. ۸۲

۳-۲- جمع آوری داده ها ۸۵

۳-۳- پیش پردازش داده ها ۸۵

۳-۳-۱- کاهش سطری داده ها ۸۶

۳-۳-۲- ساخت اطلاعات مورد نیاز ۸۸

۳-۳-۳- انتخاب داده ها و کاهش ستونی.. ۹۳

۳-۴- طراحی شبکه عصبی برای پیش بینی قیمت سهم. ۹۵

۳-۴-۱- ساختار شبکه. ۹۵

۳-۴-۲- الگوریتم یادگیری.. ۹۷

۳-۴-۳- توابع فعال سازی.. ۹۸

۳-۵- مدل های رقیب و معیارهای سنجش… ۹۸

۳-۶- جمع بندی.. ۹۸

فصل چهارم : نتایج عددی.. ۹۹

۴-۱- مقدمه. ۱۰۰

۴-۲- جمع آوری داده ها و تشکیل پایگاه داده ۱۰۰

۴-۳- پیش پردازش داده ها ۱۰۱

۴-۳-۱- کاهش سطری داده ها ۱۰۱

۴-۳-۲- ساخت اطلاعات مورد نیاز ۱۰۳

۴-۳-۳- انتخاب داده ها و کاهش ستونی پایگاه داده ۱۰۹

۴-۴- طراحی شبکه عصبی.. ۱۱۵

۴-۵- اجرای شبکه عصبی و مقایسه نتایج. ۱۱۶

۴-۶- جمع بندی.. ۱۲۱

فصل پنجم : نتیجه گیری.. ۱۲۲

۵-۱- مقدمه. ۱۲۳

۵-۲- جمع بندی تحقیق.. ۱۲۳

۵-۳- نتایج و نوآوری های تحقیق.. ۱۲۴

۵-۴- پیشنهادات برای تحقیقات آتی.. ۱۲۵

فهرست جدول ها

جدول ۲-۱ : توابع فعالسازی نرون های مختلف در شبکه های عصبی.. ۴۹

جدول ۴-۲ : شرح اندیکاتورهای معروف تحلیل تکنیکال.. ۶۱

جدول ۴-۲ : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول.. ۶۲

جدول ۳-۱ : صنایع و شرکت های انتخاب شده جهت انجام پژوهش…. ۸۵

جدول ۳-۲ : اندیکاتورهای به کار رفته در پژوهش…. ۸۹

جدول ۴-۱ : تغییرات تعداد رکوردهای پایگاه های ساخته شدن پس از حذف داده های مغشوش… ۱۰۲

جدول ۴-۲ : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های پرت.. ۱۰۳

جدول ۴-۳ : سری های زمانی ساخته شده توسط اندیکاتورهای تحلیل تکنیکال.. ۱۰۴

جدول ۴-۴ : بهترین lag شرکت های حاضر در صنعت بانک و مؤسسات مالی با بانک پارسیان.. ۱۰۵

جدول ۴-۵ : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس… ۱۰۶

جدول ۴-۵ : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس : ادامه جدول.. ۱۰۷

جدول ۴-۶ : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان.. ۱۰۷

جدول ۴-۶ : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان : ادامه جدول   ۱۰۸

جدول ۴-۷ : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های مغشوش اندیکاتورها ۱۰۹

جدول ۴-۸ : اندیکاتورهای انتخاب شده توسط روش رگرسیون پله ای برای ورود به شبکه عصبی.. ۱۱۰

جدول ۴-۹ : دسته بندی اندیکاتورهای مشابه. ۱۱۱

جدول ۴-۱۰ : اندیکاتورهای انتخاب شده از دسته ها برای ورود به شبکه عصبی.. ۱۱۱

جدول ۴-۱۱ : داده های تخصیص داده شده به شبکه عصبی در هر پایگاه. ۱۱۶

جدول ۴-۱۲ : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام بانک پارسیان.. ۱۲۰

جدول ۴-۱۳ : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام صنایع شیمیای فارس    ۱۲۰

جدول ۴-۱۴ : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام فولاد مبارکه اصفهان   ۱۲۱

فهرست شکل ها

شکل ۱-۱ : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه. ۲۱

شکل۲-۲ : ساختار شبکه عصبی پیش رو (غیر بازگشتی) باسه لایه ،لایه ورودی ، لایه میانی و لایه خروجی.. ۴۵

شکل۲-۳ : ساختار شبکه عصبی برگشتی با سه لایه ، لایه های دوم و سوم برگشتی می باشند. ۴۵

شکل ۲-۴ : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد) ۴۷

شکل۲-۵ : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی.. ۴۸

شکل ۲-۶ : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی.. ۵۰

شکل ۲-۷ : شبکه پیشرو با یک لایه فعال (خروجی) ۵۱

شکل ۲-۸ : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی.. ۵۲

شکل ۲-۹ : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی.. ۵۳

شکل ۲-۱۰ : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر. ۵۴

شکل ۲-۱۱ : یک شبکه عصبی با سه نرون و دولایه فعال. ۵۶

شکل ۳-۱ : شمای کلی مراحل انجام تحقیق.. ۸۴

شکل ۳-۱ : شباهت سری های سفید و سیاه با در نظر گرفتن lag.. 92

شکل ۴-۱ : قیمت های بسته شدن سهام بانک پارسیان و بانک کارآفرین.. ۱۱۳

شکل ۴-۲ : قیمت های بسته شدن سهام پتروشیمی خارک و صنایع شیمیایی فارس… ۱۱۴

شکل ۴-۳ : قیمت های بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان. ۱۱۵

شکل ۴-۴ : شبکه عصبی ساخته شده توسط نرم افزار متلب.. ۱۱۶

شکل ۴-۵ : قیمت های پایین پیش بینی شده و واقعی برای سهام بانک پارسیان. ۱۱۷

شکل ۴-۶ : قیمت های بالای پیشش بینی شده و واقعی برای سهام بانک پارسیان. ۱۱۷

شکل ۴-۷ : قیمت های پایین پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس… ۱۱۸

شکل ۴-۸ : قیمت های بالای پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس… ۱۱۸

شکل ۴-۹ : قیمت های پایین پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان. ۱۱۹

شکل ۴-۱۰ : قیمت های بالای پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان. ۱۱۹

چکیده

بازار سرمایه، به دلیل داشتن خواص بسیاری از جمله عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده است. به همین دلایل، رشد این بازارها با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده است. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا بررسی همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین دلایل، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به طور کلی می توان گفت که تلاش های صورت گرفته تا زمان فعلی، در سه دسته برای پیش بینی بازار سرمایه قرار می گیرند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از مدل های ریاضی استفاده می کنند. تلاش برای افزایش قابلیت های مدل های موجود با بهره گرفتن از تلفیق این مدل ها با یکدیگر، روند تازه ای است که نتایج رضایت بخشی را نیز به دنبال داشته است. بیشتر این تلاش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با بهره گرفتن از تحلیل تکنیکی و تحلیل بنیادی در چارجوب مدل های ریاضی و هوش مصنوعی قرار می گیرند. در همین راستا در پژوهش پیش رو به تلفیق تحلیل تکنیکی، تحلیل به وسیله مدل های سری زمانی و داده کاوی پرداخته و برای اولین بار به پیش بینی دو قیمت برای دوره آینده می پردازیم. مدل های مذکور در قالب شبکه عصبی با یکدیگر تلفیق شده و نتایج نشان دهنده برتری عملکرد شبکه عصبی نسبت به مدل رگرسیون چند متغیره و مدل های سری زمانی دارند.

۱-۱-    مقدمه
عدم قطعیت در بازار سرمایه به معنای تفاوت مقادیر مورد انتظار و مقادیری است که در واقعیت اتفاق می‌افتند. طراحی روش‌های تحلیل و پیش‌بینی مختلف در بازار سرمایه نیز به دلیل بالا بودن این مقدار و نیاز به دانستن قیمت‌ها در آینده با قطعیت بیشتر یا عدم قطعیت کمتر بوده است. برای کسب سود در بازار سرمایه، سرمایه‌گذاران همواره به دنبال پیدا کردن سهم مناسب جهت سرمایه‌گذاری و قیمت مناسب برای خرید و فروش بوده‌اند و لذا تمام مدل‌های پیش بینی مطرح شده همواره به دنبال پاسخ دادن به سه سؤال اساسی بوده‌اند؛ چه سهمی، در چه محدوده زمانی و در چه قیمتی خریداری شود و یا به فروش برسد. قبل از بررسی پاسخ‌های داده شده به این سؤالات، باید به سؤال جدی‌تری پاسخ داد. از جمله اینکه آیا پیش بینی بازارهای مالی ممکن است؟!

همچنین، در ادامه باید به این موضوع پرداخته شود که در صورت پیش بینی پذیر بودن بازار سرمایه، باید به بررسی ابعاد مختلف بازار سرمایه و متدهایی که در هر زمینه برای پیش بینی ارائه شده است، پرداخت. در ادامه باید بررسی کرد که چه متدهایی کارایی لازم برای این پیش‌بینی را دارند و آیا ترکیب این متدها به صورت کلی ممکن است یا خیر. در ادامه خواهیم دید که می‌توان ابزار به کار گرفته شده در پیش بینی تمام ابعاد بازار سرمایه را در سه دسته کلی متدهای تکنیکال، متدهای بنیادین و متدهای ریاضی، شامل متدهای کلاسیک سری زمانی و رگرسیون و متدهای هوش مصنوعی قرار داد.

در این پژوهش، با بررسی تمام موارد بالا و امکان سنجی تلفیق متدهای به کارگرفته شده جهت پیش بینی قیمت، به سؤالات مطرح شده پاسخ داده خواهد شد و برای اولین بار، به پیش بینی دو قیمت برای دوره‌های جلوتر پرداخته می شود؛ قیمت بالا و قیمت پایین سهام. به این وسیله، سفته بازان[۱] می‌توانند با به کارگیری این متد، با دقت قابل قبولی به پیش‌بینی قیمت پرداخته و از طریق نوسان گیری، کسب سود کنند.

ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

تعداد صفحه : ۱۵۴

قیمت : ۱۴۷۰۰ تومان

—-

پشتیبانی سایت :       

*         [email protected]