پایان نامه پیش‌بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی: با رویکرد تحلیل تکنیکال

 متن کامل پایان نامه مقطع کارشناسی ارشد رشته مدیریت

دانشکده علوم اداری و اقتصاد

گروه مدیریت

پایان نامه‌ی کارشناسی ارشد رشته‌ی مدیریت بازرگانی گرایش مالی

پیش‌بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی: با رویکرد تحلیل تکنیکال

مهر ماه 1392

برای رعایت حریم خصوصی نام نگارنده و استاد راهنما در سایت درج نمی شود

(در فایل دانلودی نام نویسنده و استاد راهنما 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

در این تحقیق به عنوان نمونه پیش‌بینی زمان‌بندی معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدین‌صورت که ابتدا داده‌های 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 بهادارتهران گردآوری گردید .سپس  با استفاده از این داده‌ها و تعریف توابع مربوطه در نرم افزار Excel شاخص‌های 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 داده‌ها با استفاده از رگرسیون گام به گام متغیرهای ورودی هر شبکه عصبی فازی مربوط به هر سهم شناسایی شد. در شناسایی متغیرهای موثر بر شاخص‌های تحلیل تکنیکال این نتیجه حاصل شد که شاخص‌های RSI، MACD و شاخص کل سهام در 70 درصد نمونه مورد بررسی بر RSI 14 روز آتی تاثیر داشته‌اند. از طرفی، MACD-SL در 94 درصد نمونه مورد بررسی به عنوان متغیر ورودی شبکه پیش‌بین MACD-SL 14 روز آتی درنظر گرفته شده‌است. ازمیان متغیرهای مستقل، قیمت پایانی بیشترین تکرار را (تقریبا در 76 درصد موارد) در شبکه‌های پیش‌بینSMA-P 14 روز آتی داشته است.  بیشترین متغیری که به عنوان ورودی شبکه‌های پیش‌بین EMA-P و SO 14 روز آتی شناسایی گردید، نسبت قیمت به سود بوده‌است. از میان کلیه متغیرها دلار و طلا به نسبت کمتری به عنوان متغیر ورودی درنظر گرفته شده‌است. این ورودی‌ها در نرم افزار Matlab و از طریق رابط گرافیکی Anfisedit جهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه‌ای که پنج شبکه ANFIS برای پیش‌بینی 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 پیش‌بینی عملکرد شبکه‌های ایجاد شده بررسی گردید. نتایج نشان داد که میانگین درصد صحت پیش‌بینی کلیه شبکه‌های ایجاد شده (55/96%) بیشتر از حالت تصادفی (50%) است. سپس با اعمال مقررات معاملاتی مقادیر پیش‌بینی شده به سیگنال تبدیل شدند. سپس پیشنهاد داده شد که سیگنال نهایی سیستم طراحی شده از مجموع سیگنال‌های ایجاد شده توسط 5 شاخص تکنیکال مذکور بدست آید. در مرحله بعدی جهت سنجش بازده معاملات پیشنهادی مدل ارائه با استفاده از استراتژی معاملاتی پیشنهادی تحقیق یک معامله فرضی شبیه‌سازی گردید. سپس بازده معاملات صورت گرفته بر اساس سیگنال نهایی سیستم پیشنهادی با بازده روش‌های تکنیکال و روش‌های خرید و نگهداری (در دو حالت پیش از کسر هزینه‌های معاملاتی و پس از کسر هزینه‌های معاملاتی) مقایسه گشتند. با توجه بازدهی مثبت شاخص‌های SMA، EMA، SO و روش پیشنهادی می‌توان نتیجه گرفت که می‌توان با استفاده از این شاخص‌های تحلیل تکنیکال در بازار سهام ایران روند قیمت سهام را پیش‌بینی کرد. از این میان، روش میانگین متحرک ساده از بالاترین اعتبار برای پیش‌بینی روند قیمت سهام برخوردار است. در نتیجه بازار بورس تهران پتانسیل بکارگیری شاخص‌های مختلف تحلیل تکنیکی را داراست.

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

فهرست مطالب

فصل اول: کلیات پژوهش

مقدمه 1

1-1-شرح و بیان مساله پژوهشی 2

1-2-اهمیت و ارزش پژوهش 3

1-3-اهداف پژوهش 3

1-4-فرضیه های پژوهش 3

1-5-روش پژوهش 3

1-5-1- نوع مطالعه و روش بررسی فرضیه‌ها‌ 3

1-5-2- جامعه آماری 4

1-5-3-  ابزار گردآوری داده‌ها‌ 4

1-5-4-  ابزار تجزیه و تحلیل 4

1-6-واژگان کلیدی 5

1-7- کلمات اختصاری 6

خلاصه 6

فصل دوم: مروری بر ادبیات موضوع

مقدمه 7

2-1- مفاهیم سرمایه گذاری 8

2-1-1- بازارهای مالی 8

2-1-1-1-انواع بازارهای مالی 8

2-1-1-2- بورس 9

2-1-1-2- 1- اهمیت بورس اوراق بهادار 9

2-1-1-2- 2- تاریخچه بورس اوراق بهادار تهران 10

2-1-2- مفهوم سرمایه گذاری 12

2-1-3- فرایند سرمایه گذاری 12

2-1-4- روش های سرمایه گذاری 13

2-1-5- سهام عادی 13

2-1-6- نظریه سرمایه گذاری در بورس 14

2-1-7- بازده سرمایه گذاری 14

2-1-8- کارایی بازار سرمایه و اهمیت آن در ارزیابی سهام 15

2-2- پیش بینی 16

2-2-1- روش های پیش بینی کیفی 16

2-2-2- روش های پیش بینی کمی 16

2-2-3- انتخاب روش پیش بینی 16

2-2-4- روش بنیادی 17

2-2-5- روش پیش بینی سری های زمانی کلاسیک 18

2-2-6- روش های تکنیکال یا فنی 19

2-3- سیستم فازی 24

2-3-1- منطق فازی 24

2-3-1-1- مجموعه‌های فازی 25

2-3-1-2- عملگرهای مجموعه فازی 25

2-4- شبکه عصبی فازی 26

2-4-1- شبکه‌های عصبی مصنوعی 26

2-4-2- تاریخچه شبکه‌های عصبی مصنوعی 26

2-4-3- ویژگی و قابلیت‌های شبکه‌های عصبی مصنوعی 27

2-4-4- تعریف شبکه عصبی قازی 28

2-4-5- نرون‌های فازی 28

2-4-6- قوانین فازی 30

2-4-7-سیستم‌های استنتاج فازی 30

2-4-7-1- روش‌های فازی ساز 32

2-4-7-2- روش‌های غیر فازی ساز 35

2-4-7-3- سیستم استنتاج ممدانی 37

2-4-7-3- سیستم استنتاج تاکاگی-سوگنو 38

2-4-8-شبکه ‌های عصبی فازی چند لایه 39

2-4-9- شبکه ANFIS 39

2-4-9-1- مزایای ANFIS 41

2-4-10-‌ فرایند یادگیری در شبکه‌ 42

2-4-10-1- الگوریتم‌یادگیری پس انتشار خطا 42

2-4-10-2- ایجاد ساختار اولیه FIS 43

2-4-10-3- فرایند یادگیری در شبکه ANFIS 44

2-4-11- اندازه گیری خطا در شبکه‌های عصبی 44

2-4-12- نرمالسازی خطی داده‌ها در فاصله [L,H] 46

2-5- پیشینه موضوع 47

2-5-1- بررسی کارآیی‌یا عدم کارآیی بازار 47

2-5-2- امکان سنجی بکارگیری شاخص‌های تحلیل تکنیکال در پیش‌بینی روند قیمت سهام 48

2-5-3- مروری بر پژوهشات صورت گرفته در زمینه پیش‌بینی متغیرهای اقتصادی و مالی با استفاده از سیستم‌های هوشمند 49

2-5-3-1- پژوهشات داخلی 49

2-5-3-2- پژوهشات خارجی 52

خلاصه 61

فصل سوم: روش پژوهش

مقدمه. 62

3-1- اهداف پژوهش. 63

3-2- متغیرهای پژوهش. 63

3-3- فرضیه های پژوهش. 65

3-4- نوع پژوهش. 65

3-5- روش پژوهش. 66

3-6-  جامعه آماری. 73

3-7- ابزار گردآوری داده ها. 73

3-8- ابزار تجزیه و تحلیل. 75

3-9-  قلمرو پژوهش. 75

خلاصه. 75

فصل چهارم: تجزیه و تحلیل داده‌ها

مقدمه 76

4-1- انتخاب متغیرهای ورودی 77

4-1-1- نرمال سازی داده ها 77

4-1-2- شناسایی متغیرهای ورودی شبکه 77

4-2- پیش بینی شاخص های تحلیل تکنیکال با استفاده از شبکه عصبی فازی 81

4-2-1- انتخاب داده های آزمون و آموزش 81

4-2-2- طراحی شبکه عصبی فازی 81

4-2-3- ارزیابی عملکرد شبکه 82

4-2-3-1- ارزیابی عملکرد شبکه بر اساس معیار MSE 82

4-2-3-2- ارزیابی عملکرد شبکه بر اساس معیار RMSE 85

4-3- بررسی درصد صحت پیش بینی شبکه عصبی فازی 87

4-4- بررسی معناداری تفاوت میانگین بازدهی روش های معاملاتی 89

خلاصه 93

فصل پنجم: نتیجه گیری و پیشنهادها

مقدمه 94

6-1- خلاصه پژوهش 95

6-2- نتایج پژوهش 95

6-2- محدودیت های پژوهش 97

6-3- پیشنهادها 97

خلاصه 98

منابع فارسی 99

منابع انگلیسی 103

پیوست1 107

پیوست2 117

فهرست جدول‌ها

جدول (1-1): کلمات اختصاری 6

جدول (2-1): خلاصه پیشینه تحقیقات داخلی 59

جدول (2-2): خلاصه پیشینه تحقیقات خارجی 60

جدول(3-1): متغیرهای استفاده شده توسط محققین قبلی. 63

جدول (3-2): نحوه تصمیم‌گیری بر اساس شاخص RSI 69

جدول (3-3): نحوه تصمیم‌گیری بر اساس SMA-P. 70

جدول (3-4): نحوه تصمیم‌گیری بر اساس MACD-SL. 70

جدول (3-5): نحوه تصمیم‌گیری بر اساس EMA-P. 71

جدول (3-6): نحوه تصمیم‌گیری بر اساس SO.. 72

جدول (3-7): نحوه تصمیم‌گیری بر اساس سیگنال نهایی. 72

جدول (3-8): اطلاعات نمونه مورد بررسی. 75

جدول (4-1): متغیرهای ورودی شبکه‌های عصبی فازی پیش‌بین متغیرهای وابسته 78

جدول(4-2): تعداد و درصد فراوانی حضور متغیرهای مستقل در شبکه‌های عصبی فازی 80

جدول (4-3): نتایج آزمون مقایسه میانگین 88

جدول(4-4): میانگین بازده روزانه سهام‌های مورد بررسی در حالت پیش از کسر هزینه‌های معاملاتی        90

جدول(4-5): میانگین بازده روزانه سهام‌های مورد بررسی در حالت پس از کسر هزینه‌های معاملاتی        91

جدول (4-6): نتایج مطالعه توصیفی بازده روزانه روش های مختلف 92

فهرست شکل‌ها

شکل(2-1): سیستم فرضی مشتمل بر چند سری زمانی ورودی و یک سری زمانی خروجی 19

شکل (2-2): میانگین متحرک ساده50 و200 روزه. 21

شکل(2-3): MACD 22

شکل (2-4): RSI 23

شکل (2-5): شاخص KD 24

شکل (2-6): مدل کلی نرون فازی 28

شکل(2-7): نرون فازیAND 30

شکل(2-8):  نرون فازی OR 30

شکل(2-9): اجزای سیستم استدلال فازی…………… 31

شکل(2-10): یک نمونه تابع عضویت مثلثی 33

شکل(2-11): یک نمونه تابع عضویت ذوزنقه‌ای……… 34

شکل(2-12): یک نمونه تابع عضویت گوسی…………. 34

شکل(2-13): یک نمونه تابع عضویت زنگی شکل……… 35

شکل(2-14): روش مرکز مجموع‌های سطوح 35

شکل(2-15): روش نیمساز 36

شکل(2-16): روش‌های ماکزیمم عضویت 36

شکل(2-17): سیستم استدلال فازی ممدانی با سه متغیر ورودی و یک متغیر خروجی 38

شکل(2-18): سیستم استنتاج فازی تاکاگی- سوگنو 39

شکل (2-19): شبکه عصبی فازی با نرون AND 39

شکل(2-20): شبکه عصبی فازی با نرون OR 39

شکل(2-21): شبکه ANFIS 41

شکل(2-22): مدل تان و همکاران (2008) 54

شکل(2-23): معماری شبکه LVQ 55

شکل(2-24): معماری شبکه PNN 56

شکل(2-25): معماری شبکه FNN 56

شکل (3-1): مدل محقق ساخته پژوهش حاضر. 67

شکل (3-2): فرایند اجرای پژوهش حاضر. 74

شکل(4-1): معماری شبکه ANFIS 80

نمودار(4-1): MSE داده های آموزش 82

نمودار(4-2): نمودار مقادیرواقعی و پیش بینی شده SO حفاری برای داده‌های آموزش 83

نمودار(4-3): نمودار مقادیرواقعی و پیش‌بینی شده SMA-P فاذر برای داده‌های آموزش 83

نمودار(4-4): MSE داده های آزمون 84

نمودار(4-5): نمودار مقادیرواقعی و پیش‌بینی شده SO کچاد برای داده‌های آزمون 85

نمودار(4-6): نمودار مقادیرواقعی و پیش‌بینی شده MACD-SL شنفت برای داده‌های آزمون 85

نمودار(4-7): RMSE داده‌های آموزش 86

نمودار(4-8): RMSE داده‌های آزمون 87

نمودار(4-9): درصد صحت پیش‌بینی داده‌های آزمون 88

نمودار(4-10): تعداد معاملات هر سهم 92

فصل اول

کلیات پژوهش

مقدمه

پژوهش حاضر به منظور انجام یک پژوهش علمی صورت گرفته است. بدین منظور جهت بررسی مساله‌ مربوطه، می‌بایست طرح پژوهش مناسبی تهیه شودکه مساله‌ی پژوهش در آن به خوبی تعریف، فرضیه‌های آن به درستی تدوین، روش گردآوری اطلاعات و تجزیه و تحلیل آن مشخص باشد. لذا در این فصل ابتدا به طور مختصر به تشریح و بیان موضوع پرداخته می‌شود. در ادامه اهمیت و ضرورت انجام پژوهش مورد بررسی قرار می‌گیرد. سپس به بیان فرضیه‌های پژوهش، اهداف اساسی از انجام پژوهش پرداخته شده و در ادامه، روش انجام پژوهش، قلمرو پژوهش و ابزار مورد استفاده در پژوهش برای تجزیه و تحلیل اطلاعات بیان شده‌اند و هم چنین  واژه‌ها‌ و اصلاحات تخصصی تعریف می‌شوند. در انتها، به علت کاربرد زیاد از حروف اختصاری در طول متن، تعاریف و عبارات کامل اصطلاحات پر کاربرد در یک جدول به نمایش گذارده شده است.

1-1-شرح و بیان مساله پژوهشی

همواره سرمایه‌گذاری و انباشت سرمایه در تحول اقتصادی کشور نقش بسزایی داشته است. اهمیت این عامل و نقش مؤثر آن را می‌توان به وضوح درسیستم کشورهایی با نظام سرمایه‌داری مشاهده کرد.  بدون شک بورس یکی از مناسب ترین جایگاه‌ها‌ جهت جذب سرمایه‌ها‌ی کوچک و استفاده از آنها جهت رشد یک شرکت، در سطح کلان و نیز رشد شخصی فرد سرمایه گذار است (فلاح شمس و اصغری، 1388). از آنجایی که هدف و تعریف سرمایه‌گذاری، به تعویق انداختن مصرف جهت مصرف بیشتر و بهتر در آینده است؛ افراد سرمایه‌گذار انتظار دستیابی به سود مورد انتظار خود را دارند (طلوعی اشلقی و حق دوست، 1388). بنابراین جهت دست‌یابی به بازده مورد انتظار می‌بایست خرید و فروش در بهترین زمان ممکن و در حجم مناسب صورت گیرد. یکی از مسائل مهم در زمینه مدیریت سرمایه‌گذاری، تعیین زمان مناسب خرید و فروش سهام است. این مساله توجه محققان را برای سال‌های مدیدی جلب نموده‌است. علت توجه بدین مساله، کسب منافع مهم مالی است که از یک مدل پیش‌بینی موفق بدست می‌آید. برای دست‌یابی به این منافع تلاش‌های بسیاری صورت گرفته و از سخت افزارها و نرم افزارها، تحلیل‌ها‌ی متفاوت مالی و مانند اینها ابداع شده و مورد استفاده قرارگرفته است. متخصصان بازار سرمایه برای سالیان متمادی بازار را مطالعه نموده‌اند و الگوهایی را فرا گرفته‌اند و پیش بینی‌ها‌ را براساس آن انجام می‌دهند. آنها ترکیبی از تشخیص الگو و تجربه مبتنی بر مشاهده روابط علّت و معلول را بکار می‌برند (کیو^[1] و همکاران ، 2001). با این وجود در روندهای مالی، اغلب شرایطی بوجود می‌آید که قوانین را بهم می‌ریزد و پیش بینی را توسط روش‌ها‌ی مذکور دشوار می‌سازد (حنیفی و همکاران، 1388). 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 می‌شود. از زمان ارائه نظریه مجموعه‌های 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 ( خاتمی، 1387). ادغام مجموعه‌های فازی و شبکه‌های عصبی یکی از اقداماتی است که جهت شناسایی شرایط مبهم و عدم اطمینان به مدل‌های پیش‌بینی صورت می‌گیرد. شبکه‌ها‌ی عصبی مصنوعی یکی از  روش‌ها‌ی بدیع و در حال تحول است که در موضوعات متنوعی قابلیت کاربرد دارد (لین^[2] ، 2008). زمان بندی معاملات سهام مساله‌ای بسیار مهم و مشکل به دلیل پیچیدگی بازار سهام است. آنچه اهمیت دارد، پیش‌بینی روند قیمت سهام است که هدف اصلی در مباحث تحلیل تکنیکال است. تحلیل تکنیکال فرایند تحلیل قیمت‌های تاریخی سهام و حجم مبادلات در کوشش جهت پیش‌بینی حرکت‌های آینده قیمت می‌باشد. در این راستا فرصت‌های خرید و فروش از راه برآورد محدوده نوسانات بازار مشخص می‌شود. ‌گرچه این امر به دلیل دخالت عوامل متعدد بازار و روابط بین آنها چندان آسان نیست (تهرانی و عباسیون،1387). به نظر می‌رسد استفاده از ابزارها و الگوریتم‌های محاسباتی پیچیده‌تر مانند شبکه‌های عصبی فازی در مدل‌سازی فرایند‌‌های غیرخطی که منتج به قیمت و روند سهام می‌شوند، می‌تواند بسیار مفید باشد. لذا در این پژوهش سعی می‌شود 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 شاخص‌ها‌ی 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 پژوهش طراحی مدلی جهت پیش‌بینی زمان بهینه انجام معاملات می‌باشد.

1-2-اهمیت و ارزش پژوهش

سرمایه‌گذاران در بازار سرمایه همواره در طول زمان علاقه مند به دانستن بهترین زمان انجام معامله جهت کسب بیشترین بازده ممکن می باشند. دستیابی به چنین اطلاعاتی تنها در صورتی ممکن است که نسبت به وضعیت آینده سهام آگاهی یابند. آگاهی از وضعیت آینده سهام مستلزم مجهز بودن به ابزاری جهت پیش بینی آینده می‌باشد. این ابزار می بایست قابلیت پیش بینی زمان بهینه معامله و بازده حاصله را دارا باشد. لذا لازم است که جهت دستیابی به ابزاری که از توانایی پیش‌بینی بهترین زمان انجام معامله با وجود شرایط مختلف زمانی برخوردار باشد، کفایت روش‌ها‌ی غیر خطی همچون شبکه‌ها‌ی عصبی فازی بررسی شوند.

1-3-اهداف پژوهش

هدف اصلی این پژوهش، بررسی نقش شبکه‌ها‌ی عصبی فازی در ارتقای اثربخشی شاخص‌ها‌ی تحلیل تکنیکال در پیش بینی علائم خرید و فروش سهام می باشد. که در این راستا، اهداف فرعی زیر تعریف می‌گردند:

1. بررسی صحت پیش‌بینی مدل شبکه عصبی فازی.
2. مقایسه بازده حاصل از روش پیشنهادی با بازده روش‌ها‌ی خرید و نگهداری و روش‌ها‌ی معاملاتی تحلیل تکنیکال پیش از کسر هزینه‌ها‌ی معاملاتی.
3. مقایسه بازده حاصل از روش پیشنهادی با بازده روش‌ها‌ی خرید و نگهداری و روش‌ها‌ی معاملاتی تحلیل تکنیکال پس از کسر هزینه‌ها‌ی معاملاتی.

1-4-فرضیه‌ها‌ی پژوهش

فرضیه اصلی: توانایی مدل ترکیبی شبکه‌ها‌ی عصبی فازی و تحلیل تکنیکال در پیش‌بینی سیگنال‌ها‌ی خرید و فروش سهام در سطح مناسبی قرار دارد.

فرضیات فرعی:

• درصد پیش‌بینی صحیح مدل‌های شبکه عصبی فازی طراحی شده بیشتر از حالت تصادفی(50%) می‌باشد.
• بین بازده روش معاملاتی روش پیشنهادی با روش خرید و نگهداری پیش از کسر هزینه‌های معاملاتی تفاوت معناداری وجود دارد.
• بین بازده روش معاملاتی روش پیشنهادی با روش خرید و نگهداری پس از کسر هزینه‌های معاملاتی تفاوت معناداری وجود دارد.

[1] Kuo

[2] Lin

تعداد صفحه :156

قیمت :37500 تومان

بلافاصله پس از پرداخت ، لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت  serderehi@gmail.com