چکيدهدر 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 مطالبعنوان صفحهفصل اول: کليات پژوهشمقدمه11-1-شرح و بيان مساله پژوهشي21-2-اهميت و ارزش پژوهش31-3-اهداف پژوهش31-4-فرضيه هاي پژوهش31-5-روش پژوهش31-5-1- نوع مطالعه و روش بررسي فرضيهها31-5-2- جامعه آماري41-5-3- ابزار گردآوري دادهها41-5-4- ابزار تجزيه و تحليل41-6-واژگان کليدي51-7- کلمات اختصاري6خلاصه6 فصل دوم:مروري بر ادبيات موضوعمقدمه72-1- مفاهيم سرمايه گذاري82-1-1- بازارهاي مالي82-1-1-1-انواع بازارهاي مالي82-1-1-2- بورس92-1-1-2- 1- اهميت بورس اوراق بهادار92-1-1-2- 2- تاريخچه بورس اوراق بهادار تهران102-1-2- مفهوم سرمايه گذاري122-1-3- فرايند سرمايه گذاري122-1-4- روش هاي سرمايه گذاري132-1-5- سهام عادی132-1-6- نظريه سرمايه گذاري در بورس142-1-7- بازده سرمايه گذاري142-1-8- کارايي بازار سرمايه و اهميت آن در ارزيابي سهام152-2- پيش بيني162-2-1- روش هاي پيش بيني کيفي162-2-2- روش هاي پيش بيني کمي162-2-3- انتخاب روش پيش بيني162-2-4- روش بنيادي172-2-5- روش پيش بيني سري هاي زماني کلاسيک182-2-6- روش هاي تکنيکال يا فني192-3- سيستم فازی242-3-1- منطق فازی242-3-1-1- مجموعههاي فازي252-3-1-2- عملگرهاي مجموعه فازي252-4- شبکه عصبي فازي262-4-1- شبکههای عصبي مصنوعي262-4-2- تاريخچه شبکههاي عصبي مصنوعي262-4-3- ويژگي و قابليتهاي شبکههاي عصبي مصنوعي272-4-4- تعريف شبکه عصبی قازی282-4-5- نرونهاي فازي282-4-6- قوانين فازی302-4-7-سيستمهای استنتاج فازی302-4-7-1- روشهای فازی ساز322-4-7-2- روشهای غير فازی ساز352-4-7-3- سيستم استنتاج ممدانی372-4-7-3- سيستم استنتاج تاکاگی-سوگنو382-4-8-شبکه هاي عصبي فازي چند لايه392-4-9- شبکه ANFIS392-4-9-1- مزايای ANFIS412-4-10- فرايند يادگيري در شبکه422-4-10-1- الگوريتميادگيري پس انتشار خطا422-4-10-2- ايجاد ساختار اوليه FIS432-4-10-3- فرايند يادگيری در شبکه ANFIS442-4-11- اندازه گيري خطا در شبکههاي عصبي442-4-12- نرمالسازي خطي دادهها در فاصله [L,H]462-5- پيشينه موضوع472-5-1- بررسي کارآيييا عدم کارآيي بازار472-5-2- امکان سنجي بکارگيري شاخصهاي تحليل تکنيکال در پيشبيني روند قيمت سهام482-5-3- مروري بر پژوهشات صورت گرفته در زمينه پيشبيني متغيرهاي اقتصادي و مالي با استفاده از سيستمهاي هوشمند492-5-3-1- پژوهشات داخلي492-5-3-2- پژوهشات خارجي52خلاصه61 فصل سوم: روش پژوهشمقدمه.. 623-1- اهداف پژوهش.. 633-2- متغيرهاي پژوهش.. 633-3- فرضيه هاي پژوهش.. 653-4- نوع پژوهش.. 653-5- روش پژوهش.. 663-6- جامعه آماري.. 733-7- ابزار گردآوري داده ها.. 733-8- ابزار تجزيه و تحليل.. 753-9- قلمرو پژوهش.. 75خلاصه.. 75 فصل چهارم: تجزيه و تحليل دادههامقدمه764-1- انتخاب متغيرهاي ورودي774-1-1- نرمال سازي داده ها774-1-2- شناسايي متغيرهاي ورودي شبکه774-2- پيش بيني شاخص هاي تحليل تکنيکال با استفاده از شبکه عصبي فازي814-2-1- انتخاب داده هاي آزمون و آموزش814-2-2- طراحي شبکه عصبي فازي814-2-3- ارزيابي عملکرد شبکه824-2-3-1- ارزيابي عملکرد شبکه بر اساس معيار MSE824-2-3-2- ارزيابي عملکرد شبکه بر اساس معيار RMSE854-3- بررسي درصد صحت پيش بيني شبکه عصبي فازي874-4- بررسي معناداري تفاوت ميانگين بازدهي روش هاي معاملاتي89خلاصه93 فصل پنجم:نتيجه گيري و پيشنهادهامقدمه946-1- خلاصه پژوهش956-2- نتايج پژوهش956-2- محدوديت هاي پژوهش976-3- پيشنهادها97خلاصه98منابع فارسي99منابع انگليسي103پيوست1107پيوست2117 فهرست جدولهاجدول (1-1): کلمات اختصاري6جدول (2-1): خلاصه پيشينه تحقيقات داخلي59جدول (2-2): خلاصه پيشينه تحقيقات خارجي60جدول(3-1): متغيرهاي استفاده شده توسط محققين قبلي.. 63جدول (3-2): نحوه تصميمگيري بر اساس شاخص RSI69جدول (3-3): نحوه تصميمگيري بر اساس SMA-P. 70جدول (3-4): نحوه تصميمگيري بر اساس MACD-SL.. 70جدول (3-5): نحوه تصميمگيري بر اساس EMA-P. 71جدول (3-6): نحوه تصميمگيري بر اساس SO.. 72جدول (3-7): نحوه تصميمگيري بر اساس سيگنال نهايي.. 72جدول (3-8): اطلاعات نمونه مورد بررسي.. 75جدول (4-1): متغيرهاي ورودي شبکههاي عصبي فازي پيشبين متغيرهاي وابسته78جدول(4-2): تعداد و درصد فراواني حضور متغيرهاي مستقل در شبکههاي عصبي فازي80جدول (4-3): نتايج آزمون مقايسه ميانگين88جدول(4-4): ميانگين بازده روزانه سهامهاي مورد بررسي در حالت پيش از کسر هزينههاي معاملاتي 90جدول(4-5): ميانگين بازده روزانه سهامهاي مورد بررسي در حالت پس از کسر هزينههاي معاملاتي 91جدول (4-6): نتايج مطالعه توصيفي بازده روزانه روش هاي مختلف92 فهرست شکلهاشکل(2-1): سيستم فرضي مشتمل بر چند سري زماني ورودي و يک سري زماني خروجي19شکل (2-2): ميانگين متحرک ساده50 و200 روزه.21شکل(2-3): MACD22شکل (2-4): RSI23شکل (2-5): شاخص KD24شکل (2-6): مدل کلي نرون فازي28شکل(2-7): نرون فازيAND30شکل(2-8): نرون فازي OR30شکل(2-9): اجزای سيستم استدلال فازی............... 31شکل(2-10): يک نمونه تابع عضويت مثلثی33شکل(2-11): يک نمونه تابع عضويت ذوزنقهای......... 34شکل(2-12): يک نمونه تابع عضويت گوسی............. 34شکل(2-13): يک نمونه تابع عضويت زنگی شکل......... 35شکل(2-14): روش مرکز مجموعهای سطوح35شکل(2-15): روش نيمساز36شکل(2-16): روشهای ماکزيمم عضويت36شکل(2-17): سيستم استدلال فازی ممدانی با سه متغير ورودی و يک متغير خروجی38شکل(2-18): سيستم استنتاج فازی تاکاگی- سوگنو39شکل (2-19): شبکه عصبي فازي با نرون AND39شکل(2-20): شبکه عصبي فازي با نرون OR39شکل(2-21): شبکه ANFIS41شکل(2-22): مدل تان و همکاران (2008)54شکل(2-23): معماري شبکه LVQ55شکل(2-24): معماري شبکه PNN56شکل(2-25): معماري شبکه FNN56شکل (3-1): مدل محقق ساخته پژوهش حاضر.. 67شکل (3-2): فرايند اجراي پژوهش حاضر.. 74شکل(4-1): معماري شبکه ANFIS80نمودار(4-1): MSE داده هاي آموزش82نمودار(4-2): نمودار مقاديرواقعي و پيش بيني شده SO حفاري براي دادههاي آموزش83نمودار(4-3): نمودار مقاديرواقعي و پيشبيني شده SMA-P فاذر براي دادههاي آموزش83نمودار(4-4): MSE داده هاي آزمون84نمودار(4-5): نمودار مقاديرواقعي و پيشبيني شده SO کچاد براي دادههاي آزمون85نمودار(4-6): نمودار مقاديرواقعي و پيشبيني شده MACD-SL شنفت براي دادههاي آزمون85نمودار(4-7): RMSE دادههاي آموزش86نمودار(4-8): RMSE دادههاي آزمون87نمودار(4-9): درصد صحت پيشبيني دادههاي آزمون88نمودار(4-10): تعداد معاملات هر سهم92
پيشبيني زمان بهينه انجام معاملات با استفاده از شبکه عصبي فازي: با رويکرد تحليل تکنيکال
چکيدهدر 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 مطالبعنوان صفحهفصل اول: کليات پژوهشمقدمه11-1-شرح و بيان مساله پژوهشي21-2-اهميت و ارزش پژوهش31-3-اهداف پژوهش31-4-فرضيه هاي پژوهش31-5-روش پژوهش31-5-1- نوع مطالعه و روش بررسي فرضيهها31-5-2- جامعه آماري41-5-3- ابزار گردآوري دادهها41-5-4- ابزار تجزيه و تحليل41-6-واژگان کليدي51-7- کلمات اختصاري6خلاصه6 فصل دوم:مروري بر ادبيات موضوعمقدمه72-1- مفاهيم سرمايه گذاري82-1-1- بازارهاي مالي82-1-1-1-انواع بازارهاي مالي82-1-1-2- بورس92-1-1-2- 1- اهميت بورس اوراق بهادار92-1-1-2- 2- تاريخچه بورس اوراق بهادار تهران102-1-2- مفهوم سرمايه گذاري122-1-3- فرايند سرمايه گذاري122-1-4- روش هاي سرمايه گذاري132-1-5- سهام عادی132-1-6- نظريه سرمايه گذاري در بورس142-1-7- بازده سرمايه گذاري142-1-8- کارايي بازار سرمايه و اهميت آن در ارزيابي سهام152-2- پيش بيني162-2-1- روش هاي پيش بيني کيفي162-2-2- روش هاي پيش بيني کمي162-2-3- انتخاب روش پيش بيني162-2-4- روش بنيادي172-2-5- روش پيش بيني سري هاي زماني کلاسيک182-2-6- روش هاي تکنيکال يا فني192-3- سيستم فازی242-3-1- منطق فازی242-3-1-1- مجموعههاي فازي252-3-1-2- عملگرهاي مجموعه فازي252-4- شبکه عصبي فازي262-4-1- شبکههای عصبي مصنوعي262-4-2- تاريخچه شبکههاي عصبي مصنوعي262-4-3- ويژگي و قابليتهاي شبکههاي عصبي مصنوعي272-4-4- تعريف شبکه عصبی قازی282-4-5- نرونهاي فازي282-4-6- قوانين فازی302-4-7-سيستمهای استنتاج فازی302-4-7-1- روشهای فازی ساز322-4-7-2- روشهای غير فازی ساز352-4-7-3- سيستم استنتاج ممدانی372-4-7-3- سيستم استنتاج تاکاگی-سوگنو382-4-8-شبکه هاي عصبي فازي چند لايه392-4-9- شبکه ANFIS392-4-9-1- مزايای ANFIS412-4-10- فرايند يادگيري در شبکه422-4-10-1- الگوريتميادگيري پس انتشار خطا422-4-10-2- ايجاد ساختار اوليه FIS432-4-10-3- فرايند يادگيری در شبکه ANFIS442-4-11- اندازه گيري خطا در شبکههاي عصبي442-4-12- نرمالسازي خطي دادهها در فاصله [L,H]462-5- پيشينه موضوع472-5-1- بررسي کارآيييا عدم کارآيي بازار472-5-2- امکان سنجي بکارگيري شاخصهاي تحليل تکنيکال در پيشبيني روند قيمت سهام482-5-3- مروري بر پژوهشات صورت گرفته در زمينه پيشبيني متغيرهاي اقتصادي و مالي با استفاده از سيستمهاي هوشمند492-5-3-1- پژوهشات داخلي492-5-3-2- پژوهشات خارجي52خلاصه61 فصل سوم: روش پژوهشمقدمه.. 623-1- اهداف پژوهش.. 633-2- متغيرهاي پژوهش.. 633-3- فرضيه هاي پژوهش.. 653-4- نوع پژوهش.. 653-5- روش پژوهش.. 663-6- جامعه آماري.. 733-7- ابزار گردآوري داده ها.. 733-8- ابزار تجزيه و تحليل.. 753-9- قلمرو پژوهش.. 75خلاصه.. 75 فصل چهارم: تجزيه و تحليل دادههامقدمه764-1- انتخاب متغيرهاي ورودي774-1-1- نرمال سازي داده ها774-1-2- شناسايي متغيرهاي ورودي شبکه774-2- پيش بيني شاخص هاي تحليل تکنيکال با استفاده از شبکه عصبي فازي814-2-1- انتخاب داده هاي آزمون و آموزش814-2-2- طراحي شبکه عصبي فازي814-2-3- ارزيابي عملکرد شبکه824-2-3-1- ارزيابي عملکرد شبکه بر اساس معيار MSE824-2-3-2- ارزيابي عملکرد شبکه بر اساس معيار RMSE854-3- بررسي درصد صحت پيش بيني شبکه عصبي فازي874-4- بررسي معناداري تفاوت ميانگين بازدهي روش هاي معاملاتي89خلاصه93 فصل پنجم:نتيجه گيري و پيشنهادهامقدمه946-1- خلاصه پژوهش956-2- نتايج پژوهش956-2- محدوديت هاي پژوهش976-3- پيشنهادها97خلاصه98منابع فارسي99منابع انگليسي103پيوست1107پيوست2117 فهرست جدولهاجدول (1-1): کلمات اختصاري6جدول (2-1): خلاصه پيشينه تحقيقات داخلي59جدول (2-2): خلاصه پيشينه تحقيقات خارجي60جدول(3-1): متغيرهاي استفاده شده توسط محققين قبلي.. 63جدول (3-2): نحوه تصميمگيري بر اساس شاخص RSI69جدول (3-3): نحوه تصميمگيري بر اساس SMA-P. 70جدول (3-4): نحوه تصميمگيري بر اساس MACD-SL.. 70جدول (3-5): نحوه تصميمگيري بر اساس EMA-P. 71جدول (3-6): نحوه تصميمگيري بر اساس SO.. 72جدول (3-7): نحوه تصميمگيري بر اساس سيگنال نهايي.. 72جدول (3-8): اطلاعات نمونه مورد بررسي.. 75جدول (4-1): متغيرهاي ورودي شبکههاي عصبي فازي پيشبين متغيرهاي وابسته78جدول(4-2): تعداد و درصد فراواني حضور متغيرهاي مستقل در شبکههاي عصبي فازي80جدول (4-3): نتايج آزمون مقايسه ميانگين88جدول(4-4): ميانگين بازده روزانه سهامهاي مورد بررسي در حالت پيش از کسر هزينههاي معاملاتي 90جدول(4-5): ميانگين بازده روزانه سهامهاي مورد بررسي در حالت پس از کسر هزينههاي معاملاتي 91جدول (4-6): نتايج مطالعه توصيفي بازده روزانه روش هاي مختلف92 فهرست شکلهاشکل(2-1): سيستم فرضي مشتمل بر چند سري زماني ورودي و يک سري زماني خروجي19شکل (2-2): ميانگين متحرک ساده50 و200 روزه.21شکل(2-3): MACD22شکل (2-4): RSI23شکل (2-5): شاخص KD24شکل (2-6): مدل کلي نرون فازي28شکل(2-7): نرون فازيAND30شکل(2-8): نرون فازي OR30شکل(2-9): اجزای سيستم استدلال فازی............... 31شکل(2-10): يک نمونه تابع عضويت مثلثی33شکل(2-11): يک نمونه تابع عضويت ذوزنقهای......... 34شکل(2-12): يک نمونه تابع عضويت گوسی............. 34شکل(2-13): يک نمونه تابع عضويت زنگی شکل......... 35شکل(2-14): روش مرکز مجموعهای سطوح35شکل(2-15): روش نيمساز36شکل(2-16): روشهای ماکزيمم عضويت36شکل(2-17): سيستم استدلال فازی ممدانی با سه متغير ورودی و يک متغير خروجی38شکل(2-18): سيستم استنتاج فازی تاکاگی- سوگنو39شکل (2-19): شبکه عصبي فازي با نرون AND39شکل(2-20): شبکه عصبي فازي با نرون OR39شکل(2-21): شبکه ANFIS41شکل(2-22): مدل تان و همکاران (2008)54شکل(2-23): معماري شبکه LVQ55شکل(2-24): معماري شبکه PNN56شکل(2-25): معماري شبکه FNN56شکل (3-1): مدل محقق ساخته پژوهش حاضر.. 67شکل (3-2): فرايند اجراي پژوهش حاضر.. 74شکل(4-1): معماري شبکه ANFIS80نمودار(4-1): MSE داده هاي آموزش82نمودار(4-2): نمودار مقاديرواقعي و پيش بيني شده SO حفاري براي دادههاي آموزش83نمودار(4-3): نمودار مقاديرواقعي و پيشبيني شده SMA-P فاذر براي دادههاي آموزش83نمودار(4-4): MSE داده هاي آزمون84نمودار(4-5): نمودار مقاديرواقعي و پيشبيني شده SO کچاد براي دادههاي آزمون85نمودار(4-6): نمودار مقاديرواقعي و پيشبيني شده MACD-SL شنفت براي دادههاي آزمون85نمودار(4-7): RMSE دادههاي آموزش86نمودار(4-8): RMSE دادههاي آزمون87نمودار(4-9): درصد صحت پيشبيني دادههاي آزمون88نمودار(4-10): تعداد معاملات هر سهم92