دانلود فایل پایان نامه : پایان نامه مهندسی صنایع گرایش مهندسی مالی: پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی

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 گیری از داده کاوی و شبکه های عصبی

استاد راهنما:

دکتر امیر عباس نجفی

برای رعایت حریم خصوصی نام نگارنده درج نمی گردد

تکه هایی از متن به عنوان نمونه :

فهرست مطالب:

فصل اول : کلیات پژوهش.. 1

1-1- مقدمه. 2

1-2- نظریه کارایی بازار سرمایه. 3

1-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی.. 5

1-4- پژوهش‌های مشابه. 9

1-5- ضرورت انجام پژوهش و اهمیت پژوهش.. 13

1-6- اهداف پژوهش.. 14

1-7- ساختار پژوهش.. 14

فصل دوم : ادبیات پژوهش.. 15

2-1- مقدمه. 16

2-1-1- تحلیل تکنیکی.. 17

2-1-2- تحلیل بنیادین.. 18

2-1-3- تحلیل توسط مدل‌های علمی.. 19

2-2- آیا بازار سرمایه پیش بینی پذیر می باشد؟. 22

2-2-1- نظریه کارایی بازار سرمایه. 22

2-2-2- فروض نظریه کارایی بازار 28

2-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه. 29

2-2-4- پاسخ نظریه کارا 30

2-2-5- نتیجه گیری.. 31

2-3- داده کاوی.. 32

2-3-1- مقدمه. 32

2-3-2- مفهوم داده کاوي.. 33

2-3-4- اهداف داده کاوی.. 36

2-3-5- داده کاوي و ارتباط آن با علم آمار 41

2-4- شبکه عصبی.. 43

2-4-1- معرفی: 43

2-4-2- کاربرد شبکه های عصبی.. 44

2-4-3- تعریف پایه شبکه های عصبی.. 44

2-4-4- ویژگی های شبکه عصبی.. 46

2-5- تحلیل تکنیکال. 59

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

2-5-1- مقدمه: 59

2-5-2- اندیکاتورهای تحلیل تکنیکال. 60

2-6- مرور پژوهش های مشابه. 63

2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام. 63

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام. 70

2-6-3- کاربرد داده کاوی در بازار سهام. 75

2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام. 77

فصل سوم : روش پژوهش.. 81

3-1- مقدمه. 82

3-2- جمع آوری داده ها 85

3-3- پیش پردازش داده ها 85

3-3-1- کاهش سطری داده ها 86

3-3-2- ساخت اطلاعات مورد نیاز 88

3-3-3- انتخاب داده ها و کاهش ستونی.. 93

3-4- طراحی شبکه عصبی برای پیش بینی قیمت سهم. 95

3-4-1- ساختار شبکه. 95

3-4-2- الگوریتم یادگیری.. 97

3-4-3- توابع فعال سازی.. 98

3-5- مدل های رقیب و معیارهای سنجش… 98

3-6- جمع بندی.. 98

فصل چهارم : نتایج عددی.. 99

4-1- مقدمه. 100

4-2- جمع آوری داده ها و تشکیل پایگاه داده 100

4-3- پیش پردازش داده ها 101

4-3-1- کاهش سطری داده ها 101

4-3-2- ساخت اطلاعات مورد نیاز 103

4-3-3- انتخاب داده ها و کاهش ستونی پایگاه داده 109

4-4- طراحی شبکه عصبی.. 115

4-5- اجرای شبکه عصبی و مقایسه نتایج. 116

4-6- جمع بندی.. 121

فصل پنجم : نتیجه گیری.. 122

5-1- مقدمه. 123

5-2- جمع بندی پژوهش.. 123

5-3- نتایج و نوآوری های پژوهش.. 124

5-4- پیشنهادات برای تحقیقات آتی.. 125

 

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

فهرست جدول ها

جدول 2-1 : توابع فعالسازی نرون های مختلف در شبکه های عصبی.. 49

جدول 4-2 : توضیح اندیکاتورهای معروف تحلیل تکنیکال.. 61

جدول 4-2 : توضیح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول.. 62

جدول 3-1 : صنایع و شرکت های انتخاب شده جهت انجام پژوهش…. 85

جدول 3-2 : اندیکاتورهای به کار رفته در پژوهش…. 89

جدول 4-1 : تغییرات تعداد رکوردهای پایگاه های ساخته شدن پس از حذف داده های مغشوش… 102

جدول 4-2 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های پرت.. 103

جدول 4-3 : سری های زمانی ساخته شده توسط اندیکاتورهای تحلیل تکنیکال.. 104

جدول 4-4 : بهترین lag شرکت های حاضر در صنعت بانک و مؤسسات مالی با بانک پارسیان.. 105

جدول 4-5 : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس… 106

جدول 4-5 : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس : ادامه جدول.. 107

جدول 4-6 : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان.. 107

جدول 4-6 : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان : ادامه جدول   108

جدول 4-7 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های مغشوش اندیکاتورها 109

جدول 4-8 : اندیکاتورهای انتخاب شده توسط روش رگرسیون پله ای برای ورود به شبکه عصبی.. 110

جدول 4-9 : دسته بندی اندیکاتورهای مشابه. 111

جدول 4-10 : اندیکاتورهای انتخاب شده از دسته ها برای ورود به شبکه عصبی.. 111

جدول 4-11 : داده های تخصیص داده شده به شبکه عصبی در هر پایگاه. 116

جدول 4-12 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام بانک پارسیان.. 120

جدول 4-13 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام صنایع شیمیای فارس    120

جدول 4-14 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام فولاد مبارکه اصفهان   121

 

فهرست شکل ها

شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه. 21

شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي.. 45

شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند. 45

شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد) 47

شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی.. 48

شکل 2-6 : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی.. 50

شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی) 51

شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی.. 52

شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی.. 53

شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر. 54

شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال. 56

شکل 3-1 : شمای کلی مراحل انجام پژوهش.. 84

شکل 3-1 : شباهت سری های سفید و سیاه با در نظر گرفتن lag.. 92

شکل 4-1 : قیمت های بسته شدن سهام بانک پارسیان و بانک کارآفرین.. 113

شکل 4-2 : قیمت های بسته شدن سهام پتروشیمی خارک و صنایع شیمیایی فارس… 114

شکل 4-3 : قیمت های بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان. 115

شکل 4-4 : شبکه عصبی ساخته شده توسط نرم افزار متلب.. 116

شکل 4-5 : قیمت های پایین پیش بینی شده و واقعی برای سهام بانک پارسیان. 117

شکل 4-6 : قیمت های بالای پیشش بینی شده و واقعی برای سهام بانک پارسیان. 117

شکل 4-7 : قیمت های پایین پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس… 118

شکل 4-8 : قیمت های بالای پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس… 118

شکل 4-9 : قیمت های پایین پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان. 119

شکل 4-10 : قیمت های بالای پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان. 119

 

چکیده

بازار سرمایه، به دلیل داشتن خواص بسیاری مانند عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده می باشد. به همین علت های، رشد این بازارها با سرعت چشمگیری در حال افزایش می باشد. همین امر باعث تقاضای بالاتر برای اطلاعات، کوشش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده می باشد. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا مطالعه همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین علت های، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به گونه کلی می توان گفت که کوشش 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 بهره گیری می کنند. کوشش برای افزایش قابلیت های مدل های موجود با بهره گیری از تلفیق این مدل ها با یکدیگر، طریقه تازه ای می باشد که نتایج رضایت بخشی را نیز به دنبال داشته می باشد. بیشتر این کوشش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با بهره گیری 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.

1-1-    مقدمه
عدم قطعیت در بازار سرمایه به معنای تفاوت مقادیر مورد انتظار و مقادیری می باشد 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 می باشد. برای کسب سود در بازار سرمایه، سرمایه‌گذاران همواره به دنبال یافتن 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 گردد و یا به فروش برسد. قبل از مطالعه پاسخ‌های داده شده به این سؤالات، بایستی به سؤال جدی‌تری پاسخ داد. مانند اینکه آیا پیش بینی بازارهای مالی ممکن می باشد؟!

همچنین، در ادامه بایستی به این موضوع پرداخته گردد که در صورت پیش بینی پذیر بودن بازار سرمایه، بایستی به مطالعه ابعاد مختلف بازار سرمایه و متدهایی که در هر زمینه برای پیش بینی ارائه شده می باشد، پرداخت. در ادامه بایستی مطالعه نمود که چه متدهایی کارایی لازم برای این پیش‌بینی را دارند و آیا ترکیب این متدها به صورت کلی ممکن می باشد 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 مطالعه تمام موارد بالا و امکان سنجی تلفیق متدهای به کارگرفته شده جهت پیش بینی قیمت، به سؤالات مطرح شده پاسخ داده خواهد گردید و برای اولین بار، به پیش بینی دو قیمت برای دوره‌های جلوتر پرداخته می گردد؛ قیمت بالا و قیمت پایین سهام. به این وسیله، سفته بازان[1] می‌توانند با به کارگیری این متد، با دقت قابل قبولی به پیش‌بینی قیمت پرداخته و از طریق نوسان گیری، کسب سود کنند.

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

متن کامل را می توانید دانلود نمائید

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

اما در فایل دانلودی متن کامل پایان نامه

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

موجود می باشد

تعداد صفحه : 154

قیمت : چهارده هزار و هفتصد تومان