پیش بینی قیمت سهم در بورس اوراق بهادار به کمک داده کاوی با الگوریتم های ترکیبی تکاملی 
 
استاد راهنما
دکتر ستار هاشمی
 
 
اردیبهشت 1394
 

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

(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 است)

چکیده

 

تحقیقات بسیاری جهت پیش بینی قابل قبول و قابل اطمینان به کمک روش های شبیه سازی، تحلیل سری های زمانی، ترکیب روش های هوش مصنوعی با روش های تحلیل سری های زمانی و در آخرین آنها ترکیب روش های داده کاوی و هوش مصنوعی با روش های تحلیل سری های زمانی و الگوریتم های بهینه سازی تکاملی در حوزه قیمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در این تحقیق سعی بر آن شده که در قالب فرایند CRISP داده کاوی و با ارجاع به آخرین تحقیقات صورت گرفته، ترکیب شبکه عصبی مصنوعی و الگوریتم های بهینه سازی تکاملی به عنوان مدل پیش بینی قیمت سهم در بازار بورس اوراق بهادار مورد بررسی قرار گیرد. الگوریتم های بهینه سازی تکاملی ژنتیک، ازدحام ذرات و رقابت استعماری در آموزش شبکه عصبی مصنوعی با داده های سری زمانی کاهش یافته قیمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمینان بودن پیش بینی به کمک شبکه عصبی مصنوعی آموزش دیده با الگوریتم ازدحام ذرات بر اساس مقادیر شاخص میزان خطا (mse) پیش بینی شبکه عصبی مصنوعی مورد اشاره به اثبات رسید. همچنین عدم درک آشوب داده ها توسط الگوریتم یادگیری پیش انتشار خطا به چالش کشیده شد.

 

کلمات کلیدی: پیش بینی، داده کاوی، شبکه عصبی مصنوعی، الگوریتم های بهینه سازی تکاملی

 

 

 

فهرست مطالب

 

 

عنوان
صفحه
فصل 1 : معرفی تحقیق.. 1

1-1 مقدمه. 1

1-2 تعریف مساله. 2

1-3 اهمیت مساله. 3

1-4 هدف تحقیق.. 4

1-5 سئوالات تحقیق.. 5

1-6 مفروضات تحقیق.. 5

1-7 دامنه تحقیق.. 6

1-8 ساختار تحقیق.. 7

فصل 2 : پیشینه تحقیق.. 9

2-1 مدلهای پیش بینی قیمت سهم در تحقیقات پیشین.. 9

2-2 انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشین.. 16

فصل 3 : مبانی نظری تحقیق.. 18

3-1 بازار بورس اوراق بهادار. 18

3-2 تکنیکهای رایج تحلیل و پیش بینی قیمت سهام. 19

3-3 تکنیکهای نوین تحلیل داده ها 20

3-3-1 داده کاوی.. 21

3-3-2 شبکه عصبی مصنوعی.. 26

عنوان
صفحه
3-3-3 الگوریتمهای تکاملی.. 31

 

3-3-3-1 الگوریتم ژنتیک… 33

3-3-3-2 الگوریتم بهینه سازی ازدحام ذرات.. 36

3-3-3-3 الگوریتم رقابت استعماری.. 38

فصل 4 : روش تحقیق.. 43

4-1 فرایند CRISP.. 43

4-1-1 تعریف مساله. 43

4-1-2 تحلیل داده ها. 43

4-1-3 آماده سازی داده ها. 44

4-1-4 مدلسازی.. 44

4-1-5 ارزیابی.. 44

4-1-6 پیاده سازی.. 45

فصل 5 : اجرا 46

5-1 اجرای فرایند CRISP.. 46

5-1-1 مجموعه داده ها. 46

5-1-2 کیفیت داده ها و کاهش داده ها. 50

5-1-3 پیاده سازی شبکه عصبی مصنوعی برای سری های زمانی.. 51

5-1-3-1 معماری شبکه عصبی مصنوعی.. 51

5-1-3-2 تطبیق ورودی های زمانی به عنوان ورودی شبکه عصبی مصنوعی.. 53

5-1-4 پیاده سازی آموزش شبکه عصبی مصنوعی با الگوریتمهای تکاملی.. 54

5-1-4-1 الگوریتم ژنتیک.. 54

5-1-4-2 الگوریتم بهینه سازی ازدحام ذرات.. 55

5-1-4-3 الگوریتم رقابت استعماری.. 56

5-1-4 به کارگیری شبکه عصبی مصنوعی آموزش دیده با الگوریتم های تکاملی.. 58

فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها. 60

6-1 نتیجه گیری و پاسخ به سئوالات تحقیق.. 60

عنوان
صفحه
6-2 تحقیقات پیشنهادی آینده. 64

فهرست منابع.. 65

پیوست ها 67

پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا. 67

پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک.. 68

پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات.. 71

پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری.. 73

 

فهرست جدول ها
 

 

عنوان
صفحه
جدول شماره  ‏2‑1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر. 13

جدول شماره  ‏2‑2: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگر. 14

جدول شماره  ‏2‑3: نسل  بندی روش های تحقیق در پیش بینی قیمت سهم. 16

جدول شماره  ‏3‑1: شبه کد الگوریتم پیش انتشار خطا 30

جدول شماره  ‏3‑2: شبه کد عمومی الگوریتم های تکاملی.. 32

جدول شماره  ‏3‑3: شبه کد الگوریتم ژنتیک… 34

جدول شماره ‏3‑4  : شبه کد الگوریتم ازدحام ذرات.. 37

جدول شماره ‏3‑5  : شبه کد الگوریتم رقابت استعماری.. 41

جدول شماره  ‏5‑1: نماد سهم های انتخاب شده. 46

جدول شماره  ‏5‑2: اندازه کاهش یافته داده ها 51

جدول شماره  ‏5‑3: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ژنتیک… 54

جدول شماره  ‏5‑4: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ازدحام ذرات.. 55

جدول شماره  ‏5‑5: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم رقابت استعماری.. 56

جدول شماره  ‏5‑6: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ژنتیک… 58

جدول شماره  ‏5‑7: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات.. 58

جدول شماره  ‏5‑8: نتایج mse شبکه عصبی آموزش دیده با الگوریتم رقابت استعماری.. 59

جدول شماره  ‏5‑9: نتایج mse شبکه عصبی آموزش دیده با الگوریتم پیش انتشار خطا 59

جدول شماره  ‏6‑1: میانگین و انحراف معیار خطای اجراهای ANN و BP. 61

جدول شماره  ‏6‑2: نتایج خطای پیش بینی با ANN و PSO.. 63

جدول شماره  ‏6‑3: نتایج خطای پیش بینی با ANN و ICA.. 63

فهرست شکل ها
 

 

 

عنوان
صفحه
شکل شماره  ‏3‑1 : نمونه ای تحلیل قیمت سهم با ابزارهای رویکرد تحلیل تکنیکال.. 20

شکل شماره ‏3‑2 : فرایند CRISP. 23

شکل شماره ‏3‑3 : ساختار یک نورون.. 27

شکل شماره ‏3‑4 : نمونه ای از یک شبکه عصبی مصنوعی با یک لایه پنهان.. 28

شکل شماره ‏3‑5 : نمونه نورون در شبکه عصبی مصنوعی پیشرو. 29

شکل شماره ‏3‑6 : فلوچارت عمومی الگوریتم های تکاملی.. 32

شکل شماره ‏3‑7 : نمایش ترکیب تک نقطه ای.. 35

شکل شماره ‏3‑8  : نمایش حرکت ذره در PSO.. 36

شکل شماره ‏3‑9: نمایش نمونه ای تقسیم کلونی ها به امپریالیست ها 40

شکل شماره ‏3‑10: حرکت خطی کلونی.. 41

شکل شماره  ‏3‑11: حرکت زاویه ای کلونی.. 41

شکل شماره ‏5‑1  : نمودار قیمت روزانه سهام نماد بکام. 48

شکل شماره ‏5‑2  : نمودار قیمت روزانه سهام نماد وپارس… 48

شکل شماره ‏5‑3  : نمودار قیمت روزانه سهام نماد وغدیر. 49

شکل شماره ‏5‑4  : نمودار قیمت روزانه سهام نماد خودرو. 49

شکل شماره ‏5‑5  : نمودار قیمت روزانه سهام نماد رانفور. 50

شکل شماره ‏5‑6  : شبکه عصبی مصنوعی با داده های سری زمانی.. 53

شکل شماره ‏6‑1  : تابع احتمال تجمعی توزیع نرمال برازش شده خطا 61

شکل شماره ‏6‑2  : تابع احتمال تجمعی توزیع نرمال برازش شده خطا ANN و EAs. 62

مقدمه
 

بشر در دنیای امروزی به صورت روزمره در بازارهای گوناگون درگیر تصمیم گیری های بیشماری بوده و هر گونه پیشنهادی که امکان بهبود دقت و صحت تصمیم و یا کاهش زمان تصمیم گیری را برای او به ارمغان بیاورد برای وی جذاب و ارزشمند می باشد. یکی از بازارهایی که امروزه رو به رونق بوده و مزایای سیستمهای پشتیبان تصمیم گیری در آن بسیار مشهود می باشد بازارهای پولی و سرمایه شامل بازار بورس اوراق بهادار می باشد. فعالان این بازار به خرید و فروش سهام شرکتها در آن بازار پرداخته و از آن طریق با پذیرفتن ریسکِ آینده سهم برای خود سود و یا زیان به بار می آورند.

در این تحقیق سعی خواهد شد تا با به کارگرفتن تکنیکهای داده کاوی شناخته شده، در مسیر تحقیقات صورت گرفته پیشین،  ترکیبی از الگوریتم شبکه عصبی مصنوعی با الگوریتمهای بهینه سازی تکاملی به منظور پیش بینی قیمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکیب الگوریتم شبکه عصبی مصنوعی با سه الگوریتم بهینه سازی تکاملی ژنتیک، رقابت استعماری و ازدحام ذرات روی حداقل پنج سهم مورد بررسی قرار خواهد گرفت و دقت پیش بینی هر یک محاسبه و ارائه خواهد گردید. خروجی این تحقیق، پیشنهاد بهترین الگوریتم ترکیبی از بین موارد ذکر شده برای پیش بینی قیمت سهام شرکتهای عضو بورس اوراق بهادار خواهد بود.

 

 

1-2 تعریف مساله

 

در بازارهای پولی و سرمایه دو نوع تکنیک اساسی برای تحلیل و تصمیم به خرید و یا فروش سهام شرکتها وجود دارد: تکنیک تحلیل بنیادی[1]، تکنیک تحلیل تکنیکی[2]. در تحلیل بنیادی، از مولفه های اصلی عملکرد و توان شرکت در برابر فرصتها و تهدیدهای بازار و در سطح کلان کشور استفاده شده و در مورد خرید و یا فروش آن سهم تصمیم گیری می شود. در برابر در تحلیل تکنیکی، فرض بر آن است که اثر کلیه عوامل کلان و خرد اقتصادی و نیز توان و عملکرد شرکت در پیشینه تاریخی قیمت سهم وجود داشته و در نتیجه با تحلیل روند قیمت سهم، تصمیم به خرید و یا فروش سهم شرکتی گرفته می شود. پیش بینی و یا پیش گویی قیمت سهم شرکتها در بازارهای اوراق بهادار از مسائلی است که تحقیقات گوناگونی در کشورهای مختلف در مورد آن صورت گرفته است. این تحقیق در بازار بورس اوراق بهادار تهران و تحت رویکرد تکنیک تحلیل تکنیکی سعی خواهد نمود تا به حل مساله پیش بینی قیمت سهم شرکتها پرداخته و پاسخی به نیاز فعالان بورس اوراق بهادار در مورد حل مساله پیش بینی قیمت سهم ارائه