پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

دانلود

چکيده
در اين تحقيق به عنوان نمونه پيش‌بيني زمان‌بندي معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدين‌صورت که ابتدا داده‌هاي اوليه که شامل 3 متغير قيمت پاياني، کمترين قيمت و بيشترين قيمت سهام طي دوره زماني 1388 تا پايان 1391 بصورت روزانه است، از سايت رسمي سازمان بورس اوراق بهادارتهران گردآوري گرديد .سپس با استفاده از اين داده‌ها و تعريف توابع مربوطه در نرم افزار Excelشاخص‌هاي قدرت نسبي((RSI، ميانگين متحرک همگرا- واگرا(MACD)، ميانگين متحرک ساده((SMA، نوسانگر تصادفي((SO، ميانگين متحرک نمايي(EMA) و خط سيگنال(SL)محاسبه شدند. پس از گردآوري ساير داده‌ها با استفاده از رگرسيون گام به گام متغيرهاي ورودي هرشبکه عصبي فازي مربوط به هر سهم شناسايي شد. در شناسايي متغيرهاي موثر بر شاخص‌هاي تحليل تکنيکال اين نتيجه حاصل شد که شاخص‌هاي RSI، MACDو شاخص کل سهام در 70 درصد نمونه مورد بررسي بر RSI14 روز آتي تاثير داشته‌اند. از طرفي، MACD-SL در 94 درصد نمونه مورد بررسي به عنوان متغير ورودي شبکه پيش‌بين MACD-SL 14 روز آتي درنظر گرفته شده‌است. ازميان متغيرهاي مستقل، قيمت پاياني بيشترين تکرار را (تقريبا در 76 درصد موارد) در شبکه‌هاي پيش‌بينSMA-P 14 روز آتي داشته است. بيشترين متغيري که به عنوان ورودي شبکه‌هاي پيش‌بين EMA-P و SO 14 روز آتي شناسايي گرديد، نسبت قيمت به سود بوده‌است. از ميان کليه متغيرها دلار و طلا به نسبت کمتري به عنوان متغير ورودي درنظر گرفته شده‌است. اين ورودي‌ها در نرم افزار Matlabو از طريق رابط گرافيکي Anfiseditجهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه‌اي که پنج شبکه ANFISبراي پيش‌بيني متغيرهاي RSI ، -SLMACD، -PSMA، SOوEMA-P 14روز آتي براي هر سهم طراحي شدند. سپس با استفاده از معيار MSEو RMSEو درصد صحت پيش‌بيني عملکرد شبکه‌هاي ايجاد شده بررسي گرديد. نتايج نشان داد که ميانگين درصد صحت پيش‌بيني کليه شبکه‌هاي ايجاد شده (55/96%) بيشتر از حالت تصادفي (50%) است. سپس با اعمال مقررات معاملاتي مقادير پيش‌بيني شده به سيگنال تبديل شدند. سپس پيشنهاد داده شد که سيگنال نهايي سيستم طراحي شده از مجموع سيگنال‌هاي ايجاد شده توسط 5 شاخص تکنيکال مذکور بدست آيد. در مرحله بعدي جهت سنجش بازده معاملات پيشنهادي مدل ارائه با استفاده از استراتژي معاملاتي پيشنهادي تحقيق يک معامله فرضي شبيه‌سازي گرديد. سپس بازده معاملات صورت گرفته بر اساس سيگنال نهايي سيستم پيشنهادي با بازده روش‌هاي تکنيکال و روش‌هاي خريد و نگهداري (در دو حالت پيش از کسر هزينه‌هاي معاملاتي و پس از کسر هزينه‌هاي معاملاتي) مقايسه گشتند.با توجه بازدهي مثبت شاخص‌هاي SMA، EMA، SOو روش پيشنهادي مي‌توان نتيجه گرفت که مي‌توان با استفاده از اين شاخص‌هاي تحليل تکنيکال در بازار سهام ايران روند قيمت سهام را پيش‌بيني کرد. از اين ميان، روش ميانگين متحرک ساده از بالاترين اعتبار براي پيش‌بيني روند قيمت سهام برخوردار است. در نتيجه بازار بورس تهران پتانسيل بکارگيري شاخص‌هاي مختلف تحليل تکنيکي را داراست.
کلمات کليدي: تحليل تکنيکال، شبکه عصبي فازي، پيش‌بيني، بورس اوراق بهادار تهران.
 
فهرست مطالب
عنوان صفحه
فصل اول: کليات پژوهش
مقدمه1
1-1-شرح و بيان مساله پژوهشي2
1-2-اهميت و ارزش پژوهش3
1-3-اهداف پژوهش3
1-4-فرضيه هاي پژوهش3
1-5-روش پژوهش3
1-5-1- نوع مطالعه و روش بررسي فرضيه‌ها‌3
1-5-2- جامعه آماري4
1-5-3- ابزار گردآوري داده‌ها‌4
1-5-4- ابزار تجزيه و تحليل4
1-6-واژگان کليدي5
1-7- کلمات اختصاري6
خلاصه6
 
فصل دوم:مروري بر ادبيات موضوع
مقدمه7
2-1- مفاهيم سرمايه گذاري8
2-1-1- بازارهاي مالي8
2-1-1-1-انواع بازارهاي مالي8
2-1-1-2- بورس9
2-1-1-2- 1- اهميت بورس اوراق بهادار9
2-1-1-2- 2- تاريخچه بورس اوراق بهادار تهران10
2-1-2- مفهوم سرمايه گذاري12
2-1-3- فرايند سرمايه گذاري12
2-1-4- روش هاي سرمايه گذاري13
2-1-5- سهام عادی13
2-1-6- نظريه سرمايه گذاري در بورس14
2-1-7- بازده سرمايه گذاري14
2-1-8- کارايي بازار سرمايه و اهميت آن در ارزيابي سهام15
2-2- پيش بيني16
2-2-1- روش هاي پيش بيني کيفي16
2-2-2- روش هاي پيش بيني کمي16
2-2-3- انتخاب روش پيش بيني16
2-2-4- روش بنيادي17
2-2-5- روش پيش بيني سري هاي زماني کلاسيک18
2-2-6- روش هاي تکنيکال يا فني19
2-3- سيستم فازی24
2-3-1- منطق فازی24
2-3-1-1- مجموعه‌هاي فازي25
2-3-1-2- عملگرهاي مجموعه فازي25
2-4- شبکه عصبي فازي26
2-4-1- شبکه‌های عصبي مصنوعي26
2-4-2- تاريخچه شبکه‌هاي عصبي مصنوعي26
2-4-3- ويژگي و قابليت‌هاي شبکه‌هاي عصبي مصنوعي27
2-4-4- تعريف شبکه عصبی قازی28
2-4-5- نرون‌هاي فازي28
2-4-6- قوانين فازی30
2-4-7-سيستم‌های استنتاج فازی30
2-4-7-1- روش‌های فازی ساز32
2-4-7-2- روش‌های غير فازی ساز35
2-4-7-3- سيستم استنتاج ممدانی37
2-4-7-3- سيستم استنتاج تاکاگی-سوگنو38
2-4-8-شبکه ‌هاي عصبي فازي چند لايه39
2-4-9- شبکه ANFIS39
2-4-9-1- مزايای ANFIS41
2-4-10-‌ فرايند يادگيري در شبکه‌42
2-4-10-1- الگوريتم‌يادگيري پس انتشار خطا42
2-4-10-2- ايجاد ساختار اوليه FIS43
2-4-10-3- فرايند يادگيری در شبکه ANFIS44
2-4-11- اندازه گيري خطا در شبکه‌هاي عصبي44
2-4-12- نرمالسازي خطي داده‌ها در فاصله [L,H]46
2-5- پيشينه موضوع47
2-5-1- بررسي کارآيي‌يا عدم کارآيي بازار47
2-5-2- امکان سنجي بکارگيري شاخص‌هاي تحليل تکنيکال در پيش‌بيني روند قيمت سهام48
2-5-3- مروري بر پژوهشات صورت گرفته در زمينه پيش‌بيني متغيرهاي اقتصادي و مالي با استفاده از سيستم‌هاي هوشمند49
2-5-3-1- پژوهشات داخلي49
2-5-3-2- پژوهشات خارجي52
خلاصه61
 
فصل سوم: روش پژوهش
مقدمه.. 62
3-1- اهداف پژوهش.. 63
3-2- متغيرهاي پژوهش.. 63
3-3- فرضيه هاي پژوهش.. 65
3-4- نوع پژوهش.. 65
3-5- روش پژوهش.. 66
3-6- جامعه آماري.. 73
3-7- ابزار گردآوري داده ها.. 73
3-8- ابزار تجزيه و تحليل.. 75
3-9- قلمرو پژوهش.. 75
خلاصه.. 75
 
فصل چهارم: تجزيه و تحليل داده‌ها
مقدمه76
4-1- انتخاب متغيرهاي ورودي77
4-1-1- نرمال سازي داده ها77
4-1-2- شناسايي متغيرهاي ورودي شبکه77
4-2- پيش بيني شاخص هاي تحليل تکنيکال با استفاده از شبکه عصبي فازي81
4-2-1- انتخاب داده هاي آزمون و آموزش81
4-2-2- طراحي شبکه عصبي فازي81
4-2-3- ارزيابي عملکرد شبکه82
4-2-3-1- ارزيابي عملکرد شبکه بر اساس معيار MSE82
4-2-3-2- ارزيابي عملکرد شبکه بر اساس معيار RMSE85
4-3- بررسي درصد صحت پيش بيني شبکه عصبي فازي87
4-4- بررسي معناداري تفاوت ميانگين بازدهي روش هاي معاملاتي89
خلاصه93
 
فصل پنجم:نتيجه گيري و پيشنهادها
مقدمه94
6-1- خلاصه پژوهش95
6-2- نتايج پژوهش95
6-2- محدوديت هاي پژوهش97
6-3- پيشنهادها97
خلاصه98
منابع فارسي99
منابع انگليسي103
پيوست1107
پيوست2117
 
فهرست جدول‌ها
جدول (1-1): کلمات اختصاري6
جدول (2-1): خلاصه پيشينه تحقيقات داخلي59
جدول (2-2): خلاصه پيشينه تحقيقات خارجي60
جدول(3-1): متغيرهاي استفاده شده توسط محققين قبلي.. 63
جدول (3-2): نحوه تصميم‌گيري بر اساس شاخص RSI69
جدول (3-3): نحوه تصميم‌گيري بر اساس SMA-P. 70
جدول (3-4): نحوه تصميم‌گيري بر اساس MACD-SL.. 70
جدول (3-5): نحوه تصميم‌گيري بر اساس EMA-P. 71
جدول (3-6): نحوه تصميم‌گيري بر اساس SO.. 72
جدول (3-7): نحوه تصميم‌گيري بر اساس سيگنال نهايي.. 72
جدول (3-8): اطلاعات نمونه مورد بررسي.. 75
جدول (4-1): متغيرهاي ورودي شبکه‌هاي عصبي فازي پيش‌بين متغيرهاي وابسته78
جدول(4-2): تعداد و درصد فراواني حضور متغيرهاي مستقل در شبکه‌هاي عصبي فازي80
جدول (4-3): نتايج آزمون مقايسه ميانگين88
جدول(4-4): ميانگين بازده روزانه سهام‌هاي مورد بررسي در حالت پيش از کسر هزينه‌هاي معاملاتي 90
جدول(4-5): ميانگين بازده روزانه سهام‌هاي مورد بررسي در حالت پس از کسر هزينه‌هاي معاملاتي 91
جدول (4-6): نتايج مطالعه توصيفي بازده روزانه روش هاي مختلف92
 
فهرست شکل‌ها
شکل(2-1): سيستم فرضي مشتمل بر چند سري زماني ورودي و يک سري زماني خروجي19
شکل (2-2): ميانگين متحرک ساده50 و200 روزه.21
شکل(2-3): MACD22
شکل (2-4): RSI23
شکل (2-5): شاخص KD24
شکل (2-6): مدل کلي نرون فازي28
شکل(2-7): نرون فازيAND30
شکل(2-8): نرون فازي OR30
شکل(2-9): اجزای سيستم استدلال فازی............... 31
شکل(2-10): يک نمونه تابع عضويت مثلثی33
شکل(2-11): يک نمونه تابع عضويت ذوزنقه‌ای......... 34
شکل(2-12): يک نمونه تابع عضويت گوسی............. 34
شکل(2-13): يک نمونه تابع عضويت زنگی شکل......... 35
شکل(2-14): روش مرکز مجموع‌های سطوح35
شکل(2-15): روش نيمساز36
شکل(2-16): روش‌های ماکزيمم عضويت36
شکل(2-17): سيستم استدلال فازی ممدانی با سه متغير ورودی و يک متغير خروجی38
شکل(2-18): سيستم استنتاج فازی تاکاگی- سوگنو39
شکل (2-19): شبکه عصبي فازي با نرون AND39
شکل(2-20): شبکه عصبي فازي با نرون OR39
شکل(2-21): شبکه ANFIS41
شکل(2-22): مدل تان و همکاران (2008)54
شکل(2-23): معماري شبکه LVQ55
شکل(2-24): معماري شبکه PNN56
شکل(2-25): معماري شبکه FNN56
شکل (3-1): مدل محقق ساخته پژوهش حاضر.. 67
شکل (3-2): فرايند اجراي پژوهش حاضر.. 74
شکل(4-1): معماري شبکه ANFIS80
نمودار(4-1): MSE داده هاي آموزش82
نمودار(4-2): نمودار مقاديرواقعي و پيش بيني شده SO حفاري براي داده‌هاي آموزش83
نمودار(4-3): نمودار مقاديرواقعي و پيش‌بيني شده SMA-P فاذر براي داده‌هاي آموزش83
نمودار(4-4): MSE داده هاي آزمون84
نمودار(4-5): نمودار مقاديرواقعي و پيش‌بيني شده SO کچاد براي داده‌هاي آزمون85
نمودار(4-6): نمودار مقاديرواقعي و پيش‌بيني شده MACD-SL شنفت براي داده‌هاي آزمون85
نمودار(4-7): RMSE داده‌هاي آموزش86
نمودار(4-8): RMSE داده‌هاي آزمون87
نمودار(4-9): درصد صحت پيش‌بيني داده‌هاي آزمون88
نمودار(4-10): تعداد معاملات هر سهم92

👇 تصادفی👇

کار آموزی تعمیر موبایلگزارش کارآموزی مراحل اجرائی ساختمان يك اسكلت فولادي از شروع تا خاتمهصنعت حلال و فراورده های گوشتیطرح توجيهي نان فانتزي باظرفيت 900 تن در سال13-بررسی حفر تونل و تاثیر نشست زمین برسازه های سطحی مطالعه موردی تونل خط 7 متروی تهراندانلود 7Zipper برنامه مدیریت آسان فایل های زیپ اندرویداستیکرهای پولی وایبر بصورت رایگاندانلود رايگان كتاب باشگاه مغز يك ✅فایل های دیگر✅

#️⃣ برچسب های فایل پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

دانلود پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

خرید اینترنتی پيش‌بيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال

👇🏞 تصاویر 🏞