کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

مارچسی و مورو^[۱۳۷] (۲۰۰۵) با مطالعه رویکرد نوینی برای اجرای پروسه پیش بینی قیمت سهام که به صورت مفهومی توضیح داده شده بود و از الگوریتم ژنتیک به عنوان معمار شبکه های عصبی استفاده کرده بود پرداخته است. نتایج تحقیق نشان دهنده بهبود جواب های پیدا شده توسط این الگوریتم پیشنهادی داشتند اما این بهبود، معنادار نبود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

پن و تیلاراتن^[۱۳۸] (۲۰۰۵) به بررسی تعدادی از جنبه های انتخاب مشخصه های ورودی و تعداد لایه های پنهان و تعداد نورون های هر لایه در شبکه عصبی عملی برای پیش بینی شاخص بازار سهام استرالیا^[۱۳۹] AORD پرداخت. در این تحقیق که به پیش بینی جهت تغییرات شاخص پرداخته است، شبکه عصبی بهبود یافته توانست تا ۸۰ درصد پیش بینی صحیح داشته باشد.
کیم و همکاران^[۱۴۰] (۲۰۰۵) به بررسی یک متد ترکیبی از شبکه های عصبی تأخیری TDNNs^[141] و الگوریتم ژنتیک در زمینه شناسایی الگوهای قیمتی بازار سهام پرداخته و نشان داده است که الگوریتم ترکیبی GA-TDNNs که پیشنهاد شده است داراری عملکرد بهتری نسبت به TDNN استاندارد و شبکه های عصبی معمولی در شناسایی الگو دارد.
کاو و همکاران^[۱۴۲] (۲۰۰۵) از شبکه عصبی مصنوعی برای پیش بینی جهت تغییرات قیمت سهام برای شرکت های حاضر در بورس شانگهای استفاده کرده و نتایج به دست آمده از شبکه های تک متغیره و چند متغیره عصبی حاکی از برتری آنها نسبت به مدل های خطی داشته و این برتری از لحاظ آماری معنادار بوده است. نویسنده نتیجه گرفته است که شبکه های عصبی می توانند در زمینه پیش بینی در بازارهای نوظهور مانند چین خوب عمل کنند.
یاماشیتا و هیراساوا^[۱۴۳] (۲۰۰۵) با بهره گرفتن از شبکه عصبی چند شعبه ای^[۱۴۴] برای پیش بینی قیمت سهام و شبیه سازی تغییرات آن استفاده کرده و آزمایش خود را بر روی NIKKEI 225 برای پیش بینی یک دوره جلوتر متمرکز کرده است و در نهایت به برتری معنادار این شبکه عصبی نسبت به مدل های خطی و برتری غیر معنادار نسبت به شبکه های عصبی معمولی رسیده است.
اوکانر و مادن^[۱۴۵] (۲۰۰۶) کارایی استفاده از اندیکاتورهای خارجی همچون قیمت کالا و نرخ مبادله ارز را بر پیش بینی جهت تغییرات قیمت بررسی می کند. مورد مطالعه، شاخص داو جونز^[۱۴۶] بوده و نتایج به دست آمده نشان دهنده افزایش کارایی معنادار شبکه عصبی با وارد شدن متغیرهای خروجی است.
دوتا و همکاران^[۱۴۷] (۲۰۰۶) به مدل سازی بازار سهام هند^[۱۴۸] با بهره گرفتن از شبکه های عصبی پرداخته و سپس نتایج را بررسی و کارایی این شبکه را با مدل های کلاسیک مقایسه کرده است. نتایج نشان دهنده برتری شبکه عصبی پیش رو نسبت به مدل های سری زمانی و رگرسیون چند متغیره دارند.
کانتنینو و همکاران^[۱۴۹] (۲۰۰۶) به آنالیز regime switching و شبکه عصبی مصنوعی با معیارهای نوسان پذیری و پیش بینی های خارج از واقعیت در بازار سهام قبرس Cyprus stock exchange پرداخته و با مقایسه مدل های مذکور در دو معیار گفته شده، به این نتیجه رسیده است که شبکه عصبی عملکرد قابل قبول تری را ارائه می کند ولی این عملکرد بهتر از لحاظ آماری معنادار نیست.
بلینسکی و فسرک^[۱۵۰] (۲۰۰۶) قیمت اوراق اختیار را به وسیله شبکه عصبی پس خور بازگشتی مطالعه و پیش بینی رده و نتایج به دست آمده را با مدل بلک شولز black-scholes model، مدل بلک شولز با نوسان ضمنی volatility black-scholes model with pure implied در یک بازه پنج ساله بررسی کرده و نتایج حاکی از برتری معنادار شبکه عصبی پس خور بازگشتی نسبت به الگوریتم های کلاسیک بلک شولز داشتند.
پاندا و وی^[۱۵۱] (۲۰۰۶) به پیش بینی شاخص بازار سهام هند به وسیله شبکه عصبی پرداخته و نتایج آن را با دو مدل کلاسیک شامل مدل قدم زدن تصادفی و مدل خطی اتورگرسیو^[۱۵۲] مقایسه کرده و برای این کار از شش شاخص استفاده کرده است. نویسندگان مقاله به این نتیجه رسیدند که عملکرد شبکه عصبی در مجموع از مدل های رقیب مذکور برتر است.
لیانگ^[۱۵۳] (۲۰۰۶) مطالعه ای بر روی رابطه پیچیده میان جهت تغییرات قیمت و جریان اطلاعات سهام را بر مبنای آنتروپی جریان اطلاعات سهام انجام داده است. شدت جریان اطلاعات سهام و رابطه آن با تغییرات قیمت، توسط شبکه عصبی برآورد و اندازه گیری شده و البته در نهایت رابطه معناداری میان جریان اطلاعات و قیمت سهام شناسایی شد.
کوپلن^[۱۵۴] (۲۰۰۷) با ارائه مدلی برای مدل سازی فرایند شبکه عصبی در پیش بینی جهت تغییرات قیمت سهام، به مطالعه مشکلاتی در زمینه پیش بینی جهت تغییر قیمت پرداخته است که به وسیله تغییراتی در شبکه عصبی طراحی شده، کاهش یافته و پیش بینی های مالی دقیق تری را ارائه می نماید.
شن و همکاران^[۱۵۵] (۲۰۰۷) با پیشنهاد شبکه عصبی تأخیری با الگوریتم یادگیری adaptive learning و pruning algorithm به پیش بینی تغییرات غیر خطی شاخص سهام پرداخته است. نتایج شبیه سازی و مقایسه نشان می دهد که پیش بینی به این روش نه تنها نسبت به روش های کلاسیک دقیق تر است، بلکه مدلی با پیچیدگی کمتر نیز تخمین می زند.
خان و همکاران^[۱۵۶] (۲۰۰۸) با مقایسه شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک و شبکه عصبی پس خور بازگشتی در مورد مقایسه نرخ تغییرات قیمت سهام، به این نتیجه رسید که شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک عملکرد بهتری نسبت به الگوریتم رقیب خود به صورت معنادار دارد.
یلدیز و همکاران^[۱۵۷] (۲۰۰۸) شبکه عصبی کارای سه لایه با الگوریتم پس خور بازگشتی طراحی کرده و به پیش بینی جهت تغییرات شاخص بازار سهام استانبول پرداخته است. به عنوان نتیجه، دقت پیش بینی انجام شده توسط این شبکه بیش از ۷۴ درصد بوده که نسبت به الگوریتم های کلاسیک برتری معناداری دارد.
اس دی و دی ای^[۱۵۸] (۲۰۰۸) به بررسی سوددهی استراتژی معاملاتی در بازار سهام بر مبنای پیش بینی جهت تغییرات قیمت سهام پرداخته است. نمونه مورد مطالعه شاخص نزدک^[۱۵۹] بوده است و الگوریتم پیشنهادی جهت پیش بینی شاخص نیز شبکه عصبی معرفی شده است. نتایج تحقیق نشان دهنده کارا بودن استراتژی معاملاتی از لحاظ آماری نسبت به روش قدم زدن تصادفی می باشد.
گورسن و کایاکوتلو^[۱۶۰] (۲۰۰۸) کارایی مدل شبکه عصبی، شبکه عصبی جاری^[۱۶۱]، شبکه عصبی دینامیک^[۱۶۲]، و ترکیب شبکه عصبی با الگوریتم های GARCH و EGARCH را مقایسه و بررسی کرده است و برای این بررسی از دو معیار MSE و MAD بهره گرفته شده است. تحقیق مورد نظر در بازار سهام استانبول صورت گرفته است.
سی دی و ام^[۱۶۳] (۲۰۰۹) modified NN را مطالعه و پیش بینی کرده است که استراتژی خرید، نگهداری و فروش به صورت بهینه چگونه باشد تا شاخص بازار سهام بیشترین سود را عاید سرمایه گذار کند. نتایج به دست آمده نشان دهنده کارایی مثبت شبکه نسبت به تحلیل تکنیکال دارد اما این کارایی معنادار نبوده است.
ای ال و همکاران^[۱۶۴] (۲۰۰۹) با اجرا کردن یک مقایسه در بازار سهام برزیل^[۱۶۵]، دو متد شبکه عصبی و adaptive exponential smoothing را مقایسه کرده و موضوع مقایسه را نیز پیش بینی جهت تغییرات شاخص سهام تعیین کرده است. نتایج نشان دهنده برتری معنادار شبکه عصبی بوده است.
کاو و همکاران^[۱۶۶] (۲۰۰۹) نشان می دهد که شبکه های عصبی توانایی از بین بردن غیرخطی بودن موجود در داده های مالی را داشته و می توانند پیش بینی های خوبی را در مورد مدل های پیچیده غیر خطی انجام دهند. نتایج بین شبکه عصبی و متدهای کلاسیک آماری برای بازار سهام پرتغال^[۱۶۷] مقایسه شده است.

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

شبکه های عصبی نشان داده اند که قادر به پیش بینی سهام با نوسان بالا و غیرخطی را با قدرت یادگیری بالای خود دارند. شبکه های عصبی پیش رو، متدوال ترین معماری شبکه های عصبی هستند که در پیش بینی سهام به کار می روند. در این شبکه ها جریان اطلاعات فقط در یک جهت، از لایه ورودی به لایه میانی و از لایه میانی به لایه خروجی می باشد.
وایت^[۱۶۸] (۱۹۹۸) با بهره گرفتن از شبکه های عصبی پیش رو سه لایه به پیش بینی قیمت سهم IBM پرداختند. آنها از داده های قیمتی ۵۰۰۰ روز برای پیش بینی، که ۱۰۰۰ تای آن جهت آموزش شبکه های عصبی به کار گرفته شدند استفاده کردند. نتایج، به قدر کفایت و در حد مورد انتظار نبود، اما آنها اثبات کردند که شبکه های عصبی کارایی خوبی در پیش بینی بازار سهام دارند.
در مجامدر و حوساین^[۱۶۹] (۲۰۰۰) قیمت بسته شدن شاخص سهام هندوستان^[۱۷۰] توسط شبکه های عصبی پیش بینی شد. در این تحقیق از داده های ده سال برای آموزش و تست شبکه استفاده شده و همچنین نویسندگان یک شبکه عصبی بهینه شده با معماری تلفیقی از شبکه عصبی پس خور بازگشتی سه لایه با ده نورون و شبکه عصبی پیش رو سه لایه با پنج نورون در ادامه طراحی کرده و توانستند بالاترین دقت خود را به ۸۹٫۶۵ درصد و میانگین دقت خود را به ۶۹٫۷۲ درصد برسانند.
بسیاری از محققان در مورد مقایسه نتایج عملی به دست آمده از شبکه های عصبی مصنوعی و مدل های رگرسیون خطی در پیش بینی سهام پرداخته اند. منتری و همکاران^[۱۷۱] (۲۰۱۰) به مطالعه مقایسه ای نوسان پذیری BSE Sensex 30 و NSE Nifty 50 پرداخته و نتایج به دست آمده از گارچ، ای گارچ، جی گارچ و آی گارچ را با پرسپترون های چند لایه مقایسه کرده است.
^[۱۷۲]GARCH یک مدل توسعه یافته از ^[۱۷۳]ARCH می باشد. ARCH یک رویکرد اقتصادی آنالیز نوسانات سری های زمانی در بازارهای مالی می باشد. GARCH برای از بین بردن محدودیت ARCH در کار با محدودیت های غیر منفی به وسیله واریانس شرطی معرفی شده. EGARCH^[174] یک توسعه از GARCH و چارچوبی برای مدل کردن نوسانات کمتر از عکس العمل سرمایه گذاران می باشد. IGARCH^[175] یک بسط دیگر از مدل GARCH محدود می باشد که تمامی پارامترها را در یک پارامتر تلفیق می کند و لذا یک GARCH تک ریشه ای خوانده می شود.
نویسنده اطلاعات چهارده سال را استفاده کرده و نشان داد که اگرچه نوسانات کسب شده توسط MLP کمتر بوده است، ولی این تفاوت از لحاظ آماری معنادار نبوده است. دونالدسون و کمسترا^[۱۷۶] (۱۹۹۷) نیز کارایی همان مدل ها را با ANN-GARCH مقایسه کرده اند. آنها برای این کار از بازده های روزانه مربوط به چهار بازار بین المللی لندن، توکیو، نیویورک و تورنتو استفاده کرده و نتایج نشان دهنده برتری شبکه عصبی تک لایه نسبت به مدل های دیگر است.
تیلاکاراتن و همکاران^[۱۷۷] (۲۰۰۷) به پیش بینی سیگنال های معملاتی AORD برای یک روز جلوتر پرداخته و به عنوان ورودی از شاخص S&P 500 آمریکا، شاخص FTSE 100 انگلستان، شاخص CAC 40 فرانسه، شاخص DAX آلمان و قیمت بسته شدن خود AORD استفاده کرده اند. برای پیش بینی از دو شبکه عصبی پیش رو و شبکه عصبی احتمالی استفاده کردند و ارزیابی نتایج بر مبنای نرخ کلاس بندی درست سیگنال ها، نشان دهنده برتری هر دو این شبکه ها از مدل های کلاسیک بود.
شیرهلت و دگلی^[۱۷۸] (۱۹۹۶) شاخص S&P 500 را با بهره گرفتن از MLP و PROBABLISTIC NN پیش بینی کرده اند. ورودی های این شبکه ها قیمت های بسته شدن S&P 500، و نرخ های مبادلاتی YEN، POUND و مارک برای یک سال بوده است. نتایج نشان دهنده برتری معنادار Probabilistic NN نسبت به MLP بودند.
چارخا^[۱۷۹] (۲۰۰۸) به صورت همزمان به پیش بینی روند سهام و قیمت سهام با بهره گرفتن از شبکه های عصبی پیش رو و شبکه های عصبی پس خور بازگشتی پرداخته است. آنها آزمایش خود را بر روی اطلاعات NSE (National Stock Exchange) انجام دادند و نتایج به دست آمده حاکی از برتری شبکه های پس خور نسبت به شبکه های پیش رو در پیش بینی روند به میزان بیست درصد بودند. با این حال شبکه های پیش رو در زمینه پیش بینی قیمت قدرت مندتر تشخیص داده شده و صحت بالاتری در پیش بینی از خود نشان دادند.
سوتی بنجارد و پرم چایسوادی^[۱۸۰] (۲۰۱۰) به پیش بینی بازار سهام تایلند با بهره گرفتن از شبکه های پس خور بازگشتی پرداختند. آنها از داده های ۱۲۴ روزه برای آموزش و معیارهای MSE و MAPE برای اندازه گیری نرخ خطا استفاده کردند. نتایج نشان دادند که شبکه عصبی توانایی بالاتری در کسب سود نسبت به استراتژی های کلاسیک سرمایه گذاری دارد.
در یاو و همکاران^[۱۸۱] (۱۹۹۹)، شاخص سهام کولالامپور^[۱۸۲] با بهره گرفتن از شبکه های عصبی پس خور بازگشتی و ورودی های تحلیل تکنیکال و مقادیر شاخص پیش بینی شده است. پایگاه داده از سال ۱۹۸۴ تا ۱۹۹۱ تعیین شده است و نتایج به دست آمده با مدل ARIMA مقایسه شده اند و حاکی از برتری شبکه های عصبی دارند.
تنموژی^[۱۸۳] (۲۰۰۶) بازده روزانه BSE را با بهره گرفتن از MLP پیش بینی کرده است. مجموعه داده ها شامل مقادیر BSE برای ۱۷ سال بوده است. آنها به نتایج رضایت بخشی در این مورد رسیده و به این نتیجه رسیدند که مقادیر روز قبل بر پیش بینی روز بعد اثر بسیار زیادی داشته و می تواند به پیش بینی دقیق کمک کند.
ژانگ^[۱۸۴] (۲۰۰۴) جهت پیش بینی سیگنال های خرید و فروش، شبکه عصبی چند لایه پس خور بازگشتی در داده کاوی مالی به کار برده است. پژوهش از داده های هفت ساله شاخص شانگهای^[۱۸۵] از سال ۱۹۹۵ تا ۲۰۰۳ استفاده کرده است. آنها نشان دادند که مدل پیشنهادی از استراتژی خرید و نگهداری^[۱۸۶] بهتر عمل کرده و دقت ۸۵ درصدی از خود نشان می دهد.
یلدیز^[۱۸۷] (۲۰۰۸) از یک شبکه عصبی چند لایه پیش رو همراه با الگوریتم پس خور بازگشتی برای پیش بینی جهت تغییرات سهام استانبول^[۱۸۸] استفاده کرده اند. ۱۹۰۵ مشاهده در این تحقیق استفاده شده و پارامترهای ورودی شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن و نرخ مبادله دلار می باشند؛ نتایج نشان دهنده دقت ۷۴ درصدی پیش بینی در جهت بوده است.
به منظور بهبود نتایج تحقیقات انجام شده، برخی از محققان به ترکیب الگوریتم پس خور بازگشتی با الگوریتم های دیگر پرداخته اند. در فنگ و چنگ^[۱۸۹] (۲۰۰۹)، محققان برای پیش بینی شاخص شانگهای از Levenberg – Marquardt Backpropagation در یک شبکه پیش رو سه لایه استفاده کردند. نتایج نشان دهنده عملکرد بهتر این الگوریتم نسبت به حالت معمول داشتند.
خان و بندوپادیایا^[۱۹۰] (۲۰۰۸) به مقایسه الگوریتم پس خور بازگشتی با الگوریتم پس خور بازگشتی بر مبنای ژنتیک برای پیش بینی قیمت سهام به صورت روزانه استفاده کردند. نتایج الگوریتم مبتنی بر ژنتیک نسبت به حالت عادی برتری داشت. مجموعه داده ها مربوط به Maruti برای دو سال بودند و دقت کسب شده توسط الگوریتم ژنتیک بنیان ۹۸ درصد در مقابل ۹۳ درصد برتری داشتند.
در مهرآرا و همکاران^[۱۹۱] (۲۰۱۰) نویسندگان به بررسی و مقایسه MLP با الگوریتم پیش رو پس خور بازگشتی و GDMH^[192] با الگوریتم ژنتیک برای پیش بینی شاخص سهام تهران (TEPIX) پرداخته و نتایج حاصل از برتری GDMH با الگوریتم ژنتیک داشتند.
یک مطالعه مقایسه ای در قاح^[۱۹۳] (۲۰۰۷) برای شاخص صنعتی داوجونز انجام شد که در آن MLP، adaptive neuro-fuzzy و شبکه های عصبی پیش رو با یکدیگر مقایسه شدند. در این مطالعه، داده های ده ساله داوجونز به صورت میانگین مورد استفاده قرار گرفتند. آنها با مقایسه زمان حل، نرخ بیش برازش و همبستگی ها نشان دادند که که شبکه های عصبی معمولی نسبت به دو الگوریتم دیگر زمان زیادتری برای حل نیاز داشته و بیشتر دچار بیش برازش می شوند.
لی و ژیونگ^[۱۹۴] (۲۰۰۵) به پیش بینی شاخص شانگهای با بهره گرفتن از شبکه های عصبی فازی^[۱۹۵] پرداختند. مجموعه داده های استفاده شده مربوط به بازه مارس ۲۰۰۴ تا مارس ۲۰۰۵ بوده و نتایج نشان دهنده برتری شبکه عصبی فازی نسبت به شبکه عصبی معمولی داشتند.
مندژیک و جاروسویک^[۱۹۶] (۲۰۰۷) با بهره گرفتن از neuro – evolutionary of NN with GA به پیش بینی بازار سهام آلمان (DAX) پرداخته و به عنوان ورودی از مقادیر DAX، بازار سهام توکیو (NIKKEI 225)، بازار سهام نیویورک (DJIA) و نرخ های مبادلاتی یورو / دلار و دلار / ین استفاده شدند. بازه تحقیق از آپریل ۲۰۰۴ تا آگوست ۲۰۰۴ بوده و نتایج نشان دهنده برتری neuro-evolutionary نسبت به مدل های رقیب خود داشتند.
نائینی و همکاران^[۱۹۷] (۲۰۱۰) به پیش بینی بازار سهام با بهره گرفتن از MLP، Elman recurrent NN و feed forward و رگرسیون خطی پرداختند. مجموعه داده های استفاده شده در این تحقیق از سال ۲۰۰۰ تا ۲۰۰۴ برای شاخص بورس تهران بوده و یافته ها، حاکی از برتری MLP NN و رگرسیون خطی داشتند. اما آنها به این نتیجه رسیدند که برای پیش بینی جهت تغییرات، استفاده از Elman recurrent NN و رگرسیون خطی مناسب تر می باشد.
فنگ و همکاران^[۱۹۸] (۲۰۰۶) به پیش بینی شاخص با بهره گرفتن از Elman recurrent NN به همراه ژنتیک پرداخت. تحقیق با بهره گرفتن از صف های قیمت های باز شدن و بسته شدن سهم shentiandi پرداخته و اعلام کردند که Elman قابلیت بسیار زیادی در تخمین جواب شدنی در پیش بینی بازار سهام دارد.
یاماشایتا^[۱۹۹] (۲۰۰۵) با پیشنهاد یک شبکه عصبی چند شعبه^[۲۰۰] به پیش بینی بازار سهام توکیو پرداختند. آنها اعلام کردند که الگوریتم پیشنهادی دارای قابلیت بالاتری نسبت به شبکه عصبی معمولی در تخمین جواب های با دقت بالا می باشد.

۲-۶-۳- کاربرد داده کاوی در بازار سهام

لیاو و چاو^[۲۰۱] (۲۰۱۳) با توضیح در مورد مزایای سرمایه گذاری در بازارهای بین المللی و تشکیل پرتفوی جهانی از سهام، به بررسی حرکت قیمت سهام در بازار مشترک سهام چین – تایوان ECFA^[202] به وسیله داده کاوی پرداخته و با بهره گرفتن از تکنیک های قواعد تلازمی^[۲۰۳] و تکنیک های خوشه بندی^[۲۰۴] به خوشه بندی و دسته بندی سهام موجود در بازار پرداختند و در انتها نیز به این نتیجه رسیدند که سهام الکترونیک، مالی و بیمه در بازار تایوان و سهام مسکن، ارتباطات و مالی در بازار هنگ کنگ دارای حرکت قوی و آینده داری در این بازار هستند. آنها برای این مطالعه از بیست شاخص سهام برای خوشه بندی و پیدا کردن قواعد تلازمی استفاده کردند.
لیاو و همکاران^[۲۰۵] (۲۰۱۱) با تأکید بر مزایای سرمایه گذاری در پرتفوهای بین المللی، بیان می کنند که با تمایل جاری نسبت به کار در بازارهای جهانی، اهمیت درک و پیش بینی نرخ مبادله ارز زیادتر می شود. آنها با بررسی رابطه میان نرخ مبادله ارز و شاخص های بازار بین المللی تایوان به وسیله قواعد تلازمی، به تولید قوانینی برای تولید پرتفوهای بهینه سرمایه گذاری در بازار تایوان با در نظر گرفتن نرخ مبادله ارز پرداخته و با بهره گرفتن از داده کاوی قوانینی را برای استفاده در روش تشکیل پرتفو مارکویتز تشریح کرده اند.