تحقيقات بسياري جهت پيش بيني قابل قبول و قابل اطمينان به کمک روشهاي شبيه سازي، تحليل سري هاي زماني، ترکيب روشهاي هوش مصنوعي با روش هاي تحليل سري هاي زماني و در آخرين آنها ترکيب روشهاي داده کاوي و هوش مصنوعي با روش هاي تحليل سري هاي زماني و الگوريتم هاي بهينه سازي تکاملي در حوزه قيمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در اين تحقيق سعي بر آن شده که در قالب فرايند CRISPداده کاوي و با ارجاع به آخرين تحقيقات صورت گرفته، ترکيب شبکه عصبي مصنوعي و الگوريتم هاي بهينه سازي تکاملي به عنوان مدل پيش بيني قيمت سهم در بازار بورس اوراق بهادار مورد بررسي قرار گيرد. الگوريتم هاي بهينه سازي تکاملي ژنتيک، ازدحام ذرات و رقابت استعماري در آموزش شبکه عصبي مصنوعي با داده هاي سري زماني کاهش يافته قيمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمينان بودن پيش بيني به کمک شبکه عصبي مصنوعي آموزش ديده با الگوريتم ازدحام ذرات بر اساس مقادير شاخص ميزان خطا (mse) پيش بيني شبکه عصبي مصنوعي مورد اشاره به اثبات رسيد. همچنين عدم درک آشوب داده ها توسط الگوريتم يادگيري پيش انتشار خطا به چالش کشيده شد. کلمات کليدي: پيش بيني، داده کاوي، شبکه عصبي مصنوعي، الگوريتم هاي بهينه سازي تکاملي فهرست مطالب فصل 1 : معرفی تحقیق. 11-1 مقدمه.. 11-2 تعريف مساله.. 21-3 اهميت مساله.. 31-4 هدف تحقيق.. 41-5 سئوالات تحقيق.. 51-6 مفروضات تحقيق.. 51-7 دامنه تحقيق.. 61-8 ساختار تحقيق.. 7فصل 2 : پیشینه تحقیق. 92-1 مدلهاي پيش بيني قيمت سهم در تحقيقات پيشين.. 92-2 انتخاب/ استخراج ويژگي در قيمت سهم در تحقيقات پيشين 16فصل 3 : مبانی نظری تحقیق. 183-1 بازار بورس اوراق بهادار.. 183-2 تکنيکهاي رايج تحليل و پيش بيني قيمت سهام.. 193-3 تکنيکهاي نوين تحليل داده ها.. 203-3-1 داده کاوي. 213-3-2 شبکه عصبي مصنوعي. 263-3-3 الگوريتمهاي تکاملي. 31 3-3-3-1 الگوريتم ژنتيک.. 333-3-3-2 الگوريتم بهينه سازي ازدحام ذرات.. 363-3-3-3 الگوريتم رقابت استعماري.. 38فصل 4 : روش تحقیق. 434-1 فرايند CRISP.. 434-1-1 تعريفمساله. 434-1-2 تحليلدادهها. 434-1-3 آمادهسازيدادهها. 444-1-4 مدلسازي. 444-1-5 ارزيابي. 444-1-6 پياده سازي. 45فصل 5 : اجرا. 465-1 اجراي فرايند CRISP.. 465-1-1 مجموعه داده ها. 465-1-2 کيفيت داده ها و کاهش داده ها. 505-1-3 پياده سازي شبکه عصبي مصنوعي براي سري هاي زماني515-1-3-1 معماري شبکه عصبي مصنوعي.. 515-1-3-2 تطبيق ورودي هاي زماني به عنوان ورودي شبکه عصبي مصنوعي535-1-4 پياده سازي آموزش شبکه عصبي مصنوعي با الگوريتمهاي تکاملي545-1-4-1 الگوريتم ژنتيک. 545-1-4-2 الگوريتم بهينه سازی ازدحام ذرات. 555-1-4-3 الگوريتم رقابت استعماري. 565-1-4 به کارگيري شبکه عصبي مصنوعي آموزش ديده با الگوريتم هاي تکاملي 58فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها. 606-1 نتيجه گيري و پاسخ به سئوالات تحقيق.. 606-2 تحقيقات پيشنهادي آينده.. 64فهرست منابع.. 65پيوست ها.. 67پيوست 1: کد شبکه عصبي سري زماني با آموزش با الگوريتم پيش انتشار خطا67پيوست 2: کد شبکه عصبي مصنوعي با آموزش با الگوريتم ژنتيک68پيوست 3: کد شبکه عصبي مصنوعي با آموزش با الگوريتم ازدحام ذرات71پيوست 4: کد شبکه عصبي مصنوعي با آموزش با الگوريتم رقابت استعماري73 فصل 1 فهرست جدول ها جدول شماره 2‑1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر13جدول شماره 2‑2: مقايسه نتايج پيش گويي مدل ارائه شده با مدلهای ديگر14جدول شماره 2‑3: نسل بندي روشهاي تحقيق در پيش بيني قيمت سهم16جدول شماره 3‑1: شبه کد الگوريتم پيش انتشار خطا.. 30جدول شماره 3‑2: شبه کد عمومي الگوريتم هاي تکاملي.. 32جدول شماره 3‑3: شبه کد الگوريتم ژنتيک.. 34جدول شماره 3‑4 : شبه کد الگوريتم ازدحام ذرات.. 37جدول شماره 3‑5 : شبه کد الگوريتم رقابت استعماري.. 41جدول شماره 5‑1: نماد سهم هاي انتخاب شده.. 46جدول شماره 5‑2: اندازه کاهش يافته داده ها.. 51جدول شماره 5‑3: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم ژنتيک54جدول شماره 5‑4: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم ازدحام ذرات.. 55جدول شماره 5‑5: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم رقابت استعماري.. 56جدول شماره 5‑6: نتايج mse شبکه عصبي آموزش ديده با الگوريتم ژنتيک58جدول شماره 5‑7: نتايج mse شبکه عصبي آموزش ديده با الگوريتم ازدحام ذرات58جدول شماره 5‑8: نتايج mse شبکه عصبي آموزش ديده با الگوريتم رقابت استعماري.. 59جدول شماره 5‑9: نتايج mse شبکه عصبي آموزش ديده با الگوريتم پيش انتشار خطا.. 59جدول شماره 6‑1: ميانگين و انحراف معيار خطاي اجراهاي ANN و BP61جدول شماره 6‑2: نتايج خطاي پيش بيني با ANN و PSO.. 63جدول شماره 6‑3: نتايج خطاي پيش بيني با ANN و ICA.. 63 فهرست شکل ها شکل شماره 3‑1 : نمونه اي تحليل قيمت سهم با ابزارهاي رويکرد تحليل تکنيکال.. 20شکل شماره 3‑2 : فرايند CRISP. 23شکل شماره 3‑3 : ساختار يک نورون.. 27شکل شماره 3‑4 : نمونه اي از يک شبکه عصبي مصنوعي با يک لايه پنهان28شکل شماره 3‑5 : نمونه نورون در شبکه عصبي مصنوعي پيشرو.. 29شکل شماره 3‑6 : فلوچارت عمومي الگوريتم هاي تکاملي.. 32شکل شماره 3‑7 : نمايش ترکيب تک نقطه اي.. 35شکل شماره 3‑8 : نمايش حرکت ذره در PSO.. 36شکل شماره 3‑9: نمايش نمونه اي تقسيم کلوني ها به امپرياليست ها40شکل شماره 3‑10: حرکت خطي کلوني.. 41شکل شماره 3‑11: حرکت زاويه اي کلوني.. 41شکل شماره 5‑1 : نمودار قيمت روزانه سهام نماد بکام.. 48شکل شماره 5‑2 : نمودار قيمت روزانه سهام نماد وپارس.. 48شکل شماره 5‑3 : نمودار قيمت روزانه سهام نماد وغدير.. 49شکل شماره 5‑4 : نمودار قيمت روزانه سهام نماد خودرو.. 49شکل شماره 5‑5 : نمودار قيمت روزانه سهام نماد رانفور.. 50شکل شماره 5‑6 : شبکه عصبي مصنوعي با داده هاي سري زماني53شکل شماره 6‑1 : تابع احتمال تجمعي توزيع نرمال برازش شده خطا61شکل شماره 6‑2 : تابع احتمال تجمعي توزيع نرمال برازش شده خطا ANN و EAs62 فصل 1 : معرفی تحقیق بشر در دنياي امروزي به صورت روزمره در بازارهاي گوناگون درگير تصميم گيري هاي بيشماري بوده و هر گونه پيشنهادي که امکان بهبود دقت و صحت تصميم و يا کاهش زمان تصميم گيري را براي او به ارمغان بياورد براي وي جذاب و ارزشمند مي باشد. يکي از بازارهايي که امروزه رو به رونق بوده و مزاياي سيستمهاي پشتيبان تصميم گيري در آن بسيار مشهود مي باشد بازارهاي پولي و سرمايه شامل بازار بورس اوراق بهادار مي باشد. فعالان اين بازار به خريد و فروش سهام شرکتها در آن بازار پرداخته و از آن طريق با پذيرفتن ريسکِ آينده سهم براي خود سود و يا زيان به بار مي آورند.در اين تحقيق سعي خواهد شد تا با به کارگرفتن تکنيکهاي داده کاوي شناخته شده، در مسير تحقيقات صورت گرفته پيشين، ترکيبي از الگوريتم شبکه عصبي مصنوعي با الگوريتمهاي بهينه سازي تکاملي به منظور پيش بيني قيمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکيب الگوريتم شبکه عصبي مصنوعي با سه الگوريتم بهينه سازي تکاملي ژنتيک، رقابت استعماري و ازدحام ذرات روي حداقل پنج سهم مورد بررسي قرار خواهد گرفت و دقت پيش بيني هر يک محاسبه و ارائه خواهد گرديد. خروجي اين تحقيق، پيشنهاد بهترين الگوريتم ترکيبي از بين موارد ذکر شده براي پيش بيني قيمت سهام شرکتهاي عضو بورس اوراق بهادار خواهد بود. 1-2 تعريف مساله در بازارهاي پولي و سرمايه دو نوع تکنيک اساسي براي تحليل و تصميم به خريد و يا فروش سهام شرکتها وجود دارد: تکنيک تحليل بنيادي[1]، تکنيک تحليل تکنيکي[2]. در تحليل بنيادي، از مولفه هاي اصلي عملکرد و توان شرکت در برابر فرصتها و تهديدهاي بازار و در سطح کلان کشور استفاده شده و در مورد خريد و يا فروش آن سهم تصميم گيري مي شود. در برابر در تحليل تکنيکي، فرض بر آن است که اثر کليه عوامل کلان و خرد اقتصادي و نيز توان و عملکرد شرکت در پيشينه تاريخي قيمت سهم وجود داشته و در نتيجه با تحليل روند قيمت سهم، تصميم به خريد و يا فروش سهم شرکتي گرفته مي شود. پيش بيني و يا پيش گويي قيمت سهم شرکتها در بازارهاي اوراق بهادار از مسائلي است که تحقيقات گوناگوني در کشورهاي مختلف در مورد آن صورت گرفته است. اين تحقيق در بازار بورس اوراق بهادار تهران و تحت رويکرد تکنيک تحليل تکنيکي سعي خواهد نمود تا به حل مساله پيش بيني قيمت سهم شرکتها پرداخته و پاسخي به نياز فعالان بورس اوراق بهادار در مورد حل مساله پيش بيني قيمت سهم ارائه نمايد. 1-3 اهميت مساله اندازه بازار بورس اوراق بهادار تهران در حوزه معملات سهام بيش از 523’342 ميليارد تومان است[3]. اهميت اين اندازه بازار در مقايسه با بودجه ي حدود 000’800 ميليارد توماني سال 1393 کشور بسيار مشهود مي باشد. بازار بورس اوراق بهادار جزء پنج بازار اصلي سرمايه اي کشور است که کوچکترين نوسانات عملياتي آن اثرات بسياري در اقتصاد کشور خواهد گذاشت. در اين بازار بيش از 450 شرکت سرمايه پذير در قالب 35 صنعت به عرضه سهام پرداخته اند و معامله گران حقوقي و حقيقي بيشماري از محل تجارت سهام شرکتها در اين بازار به مديريت اقتصاد بنگاه ها و خانوار مي پردازند. در شرايط ثبات اقتصادي کشورها، سود حاصل از فعاليت در بازار بورس از سود بهره بانکي قطعا بالاتر بوده و اين جذابيت سبب مي شود در شرايط ثبات و يا رشد اقتصادي کشور، جريان سرمايه از بسياري از بازارها و همچنين جريان سرمايه هاي راکد و يا فعال در بازارهاي سياه به سمت بازار بورس اوراق بهادار باشد. در کنار نگاه اقتصادي به بازار بورس، از نگاه اجتماعي نيز حضور معامله گران در سنين جواني و يا پايان ميان سالي، يعني دقيقا در سنيني که هيجان ريسک پذيري، انگيزه فعاليتهاي پرچالش و توام با ريسک را به همراه دارد، در اين بازار شايان توجه است. از اين منظر انتظار آن خواهد بود که در صورت وجود موج اخبار رونق و بازدهي قابل قبول اين بازار، نسبت عمده اي از جمعيت جوياي کار در اين بازار به صورت مستقل به اشتغال درآيند. با اين توضيحات، مي توان نتيجه گرفت حل مساله اين تحقيق با ارائه مدلي بابت پيشگويي قابل اعتماد قيمت سهم شرکتها در بازار بورس داراي نه تنها اهميت از منظر اقتصادي بلکه در زمره مسائل با اهميت اجتماعي نيز قرار مي گيرد. 1-4 هدف تحقيق همانگونه که در بخشهاي پيشين اشاره شد مساله مورد تحقيق، يشگويي قيمت سهام شرکتها در بازار بورس اوراق بهادار مي باشد. تکنيکهاي متعدد تحليل داده ها سعي در ارائه مدلهايي در پاسخ به سئوال اين تحقيق نموده اند. دانش نوين داده کاوي با ساختاردهي بسياري از اين تکنيکها، محققان را در پيشبرد بهبود کارايي و اثربخشي مدلها و راهکارها کمک شاياني نموده است. در اين تحقيق با مرور تحقيقات پيشين، به کارگيري مدل شبکه عصبي مصنوعي با آموزش به کمک الگوريتمهاي تکاملي مد نظر قرار گرفته است.هدف بنيادين اين تحقيق شناسايي اثربخش ترين مدل پيشگويي قيمت سهام شرکتهاي فعال در بازار بورس اوراق بهادار، ساخت يافته با شبکه عصبي مصنوعي آموزش داده شده با الگوريتم تکاملي مي باشد. به منظور دستيابي به اين هدف، اهداف خرد و يا نشانه ها[4] به شرح زير مد نظر مي باشد:
پيش بيني قيمت سهم در بورس اوراق بهادار به کمک داده کاوي با الگوريتم هاي ترکيبي تکاملي word
تحقيقات بسياري جهت پيش بيني قابل قبول و قابل اطمينان به کمک روشهاي شبيه سازي، تحليل سري هاي زماني، ترکيب روشهاي هوش مصنوعي با روش هاي تحليل سري هاي زماني و در آخرين آنها ترکيب روشهاي داده کاوي و هوش مصنوعي با روش هاي تحليل سري هاي زماني و الگوريتم هاي بهينه سازي تکاملي در حوزه قيمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در اين تحقيق سعي بر آن شده که در قالب فرايند CRISPداده کاوي و با ارجاع به آخرين تحقيقات صورت گرفته، ترکيب شبکه عصبي مصنوعي و الگوريتم هاي بهينه سازي تکاملي به عنوان مدل پيش بيني قيمت سهم در بازار بورس اوراق بهادار مورد بررسي قرار گيرد. الگوريتم هاي بهينه سازي تکاملي ژنتيک، ازدحام ذرات و رقابت استعماري در آموزش شبکه عصبي مصنوعي با داده هاي سري زماني کاهش يافته قيمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمينان بودن پيش بيني به کمک شبکه عصبي مصنوعي آموزش ديده با الگوريتم ازدحام ذرات بر اساس مقادير شاخص ميزان خطا (mse) پيش بيني شبکه عصبي مصنوعي مورد اشاره به اثبات رسيد. همچنين عدم درک آشوب داده ها توسط الگوريتم يادگيري پيش انتشار خطا به چالش کشيده شد. کلمات کليدي: پيش بيني، داده کاوي، شبکه عصبي مصنوعي، الگوريتم هاي بهينه سازي تکاملي فهرست مطالب فصل 1 : معرفی تحقیق. 11-1 مقدمه.. 11-2 تعريف مساله.. 21-3 اهميت مساله.. 31-4 هدف تحقيق.. 41-5 سئوالات تحقيق.. 51-6 مفروضات تحقيق.. 51-7 دامنه تحقيق.. 61-8 ساختار تحقيق.. 7فصل 2 : پیشینه تحقیق. 92-1 مدلهاي پيش بيني قيمت سهم در تحقيقات پيشين.. 92-2 انتخاب/ استخراج ويژگي در قيمت سهم در تحقيقات پيشين 16فصل 3 : مبانی نظری تحقیق. 183-1 بازار بورس اوراق بهادار.. 183-2 تکنيکهاي رايج تحليل و پيش بيني قيمت سهام.. 193-3 تکنيکهاي نوين تحليل داده ها.. 203-3-1 داده کاوي. 213-3-2 شبکه عصبي مصنوعي. 263-3-3 الگوريتمهاي تکاملي. 31 3-3-3-1 الگوريتم ژنتيک.. 333-3-3-2 الگوريتم بهينه سازي ازدحام ذرات.. 363-3-3-3 الگوريتم رقابت استعماري.. 38فصل 4 : روش تحقیق. 434-1 فرايند CRISP.. 434-1-1 تعريفمساله. 434-1-2 تحليلدادهها. 434-1-3 آمادهسازيدادهها. 444-1-4 مدلسازي. 444-1-5 ارزيابي. 444-1-6 پياده سازي. 45فصل 5 : اجرا. 465-1 اجراي فرايند CRISP.. 465-1-1 مجموعه داده ها. 465-1-2 کيفيت داده ها و کاهش داده ها. 505-1-3 پياده سازي شبکه عصبي مصنوعي براي سري هاي زماني515-1-3-1 معماري شبکه عصبي مصنوعي.. 515-1-3-2 تطبيق ورودي هاي زماني به عنوان ورودي شبکه عصبي مصنوعي535-1-4 پياده سازي آموزش شبکه عصبي مصنوعي با الگوريتمهاي تکاملي545-1-4-1 الگوريتم ژنتيک. 545-1-4-2 الگوريتم بهينه سازی ازدحام ذرات. 555-1-4-3 الگوريتم رقابت استعماري. 565-1-4 به کارگيري شبکه عصبي مصنوعي آموزش ديده با الگوريتم هاي تکاملي 58فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها. 606-1 نتيجه گيري و پاسخ به سئوالات تحقيق.. 606-2 تحقيقات پيشنهادي آينده.. 64فهرست منابع.. 65پيوست ها.. 67پيوست 1: کد شبکه عصبي سري زماني با آموزش با الگوريتم پيش انتشار خطا67پيوست 2: کد شبکه عصبي مصنوعي با آموزش با الگوريتم ژنتيک68پيوست 3: کد شبکه عصبي مصنوعي با آموزش با الگوريتم ازدحام ذرات71پيوست 4: کد شبکه عصبي مصنوعي با آموزش با الگوريتم رقابت استعماري73 فصل 1 فهرست جدول ها جدول شماره 2‑1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر13جدول شماره 2‑2: مقايسه نتايج پيش گويي مدل ارائه شده با مدلهای ديگر14جدول شماره 2‑3: نسل بندي روشهاي تحقيق در پيش بيني قيمت سهم16جدول شماره 3‑1: شبه کد الگوريتم پيش انتشار خطا.. 30جدول شماره 3‑2: شبه کد عمومي الگوريتم هاي تکاملي.. 32جدول شماره 3‑3: شبه کد الگوريتم ژنتيک.. 34جدول شماره 3‑4 : شبه کد الگوريتم ازدحام ذرات.. 37جدول شماره 3‑5 : شبه کد الگوريتم رقابت استعماري.. 41جدول شماره 5‑1: نماد سهم هاي انتخاب شده.. 46جدول شماره 5‑2: اندازه کاهش يافته داده ها.. 51جدول شماره 5‑3: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم ژنتيک54جدول شماره 5‑4: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم ازدحام ذرات.. 55جدول شماره 5‑5: ساختار پياده سازي آموزش شبکه عصبي با الگوريتم رقابت استعماري.. 56جدول شماره 5‑6: نتايج mse شبکه عصبي آموزش ديده با الگوريتم ژنتيک58جدول شماره 5‑7: نتايج mse شبکه عصبي آموزش ديده با الگوريتم ازدحام ذرات58جدول شماره 5‑8: نتايج mse شبکه عصبي آموزش ديده با الگوريتم رقابت استعماري.. 59جدول شماره 5‑9: نتايج mse شبکه عصبي آموزش ديده با الگوريتم پيش انتشار خطا.. 59جدول شماره 6‑1: ميانگين و انحراف معيار خطاي اجراهاي ANN و BP61جدول شماره 6‑2: نتايج خطاي پيش بيني با ANN و PSO.. 63جدول شماره 6‑3: نتايج خطاي پيش بيني با ANN و ICA.. 63 فهرست شکل ها شکل شماره 3‑1 : نمونه اي تحليل قيمت سهم با ابزارهاي رويکرد تحليل تکنيکال.. 20شکل شماره 3‑2 : فرايند CRISP. 23شکل شماره 3‑3 : ساختار يک نورون.. 27شکل شماره 3‑4 : نمونه اي از يک شبکه عصبي مصنوعي با يک لايه پنهان28شکل شماره 3‑5 : نمونه نورون در شبکه عصبي مصنوعي پيشرو.. 29شکل شماره 3‑6 : فلوچارت عمومي الگوريتم هاي تکاملي.. 32شکل شماره 3‑7 : نمايش ترکيب تک نقطه اي.. 35شکل شماره 3‑8 : نمايش حرکت ذره در PSO.. 36شکل شماره 3‑9: نمايش نمونه اي تقسيم کلوني ها به امپرياليست ها40شکل شماره 3‑10: حرکت خطي کلوني.. 41شکل شماره 3‑11: حرکت زاويه اي کلوني.. 41شکل شماره 5‑1 : نمودار قيمت روزانه سهام نماد بکام.. 48شکل شماره 5‑2 : نمودار قيمت روزانه سهام نماد وپارس.. 48شکل شماره 5‑3 : نمودار قيمت روزانه سهام نماد وغدير.. 49شکل شماره 5‑4 : نمودار قيمت روزانه سهام نماد خودرو.. 49شکل شماره 5‑5 : نمودار قيمت روزانه سهام نماد رانفور.. 50شکل شماره 5‑6 : شبکه عصبي مصنوعي با داده هاي سري زماني53شکل شماره 6‑1 : تابع احتمال تجمعي توزيع نرمال برازش شده خطا61شکل شماره 6‑2 : تابع احتمال تجمعي توزيع نرمال برازش شده خطا ANN و EAs62 فصل 1 : معرفی تحقیق بشر در دنياي امروزي به صورت روزمره در بازارهاي گوناگون درگير تصميم گيري هاي بيشماري بوده و هر گونه پيشنهادي که امکان بهبود دقت و صحت تصميم و يا کاهش زمان تصميم گيري را براي او به ارمغان بياورد براي وي جذاب و ارزشمند مي باشد. يکي از بازارهايي که امروزه رو به رونق بوده و مزاياي سيستمهاي پشتيبان تصميم گيري در آن بسيار مشهود مي باشد بازارهاي پولي و سرمايه شامل بازار بورس اوراق بهادار مي باشد. فعالان اين بازار به خريد و فروش سهام شرکتها در آن بازار پرداخته و از آن طريق با پذيرفتن ريسکِ آينده سهم براي خود سود و يا زيان به بار مي آورند.در اين تحقيق سعي خواهد شد تا با به کارگرفتن تکنيکهاي داده کاوي شناخته شده، در مسير تحقيقات صورت گرفته پيشين، ترکيبي از الگوريتم شبکه عصبي مصنوعي با الگوريتمهاي بهينه سازي تکاملي به منظور پيش بيني قيمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکيب الگوريتم شبکه عصبي مصنوعي با سه الگوريتم بهينه سازي تکاملي ژنتيک، رقابت استعماري و ازدحام ذرات روي حداقل پنج سهم مورد بررسي قرار خواهد گرفت و دقت پيش بيني هر يک محاسبه و ارائه خواهد گرديد. خروجي اين تحقيق، پيشنهاد بهترين الگوريتم ترکيبي از بين موارد ذکر شده براي پيش بيني قيمت سهام شرکتهاي عضو بورس اوراق بهادار خواهد بود. 1-2 تعريف مساله در بازارهاي پولي و سرمايه دو نوع تکنيک اساسي براي تحليل و تصميم به خريد و يا فروش سهام شرکتها وجود دارد: تکنيک تحليل بنيادي[1]، تکنيک تحليل تکنيکي[2]. در تحليل بنيادي، از مولفه هاي اصلي عملکرد و توان شرکت در برابر فرصتها و تهديدهاي بازار و در سطح کلان کشور استفاده شده و در مورد خريد و يا فروش آن سهم تصميم گيري مي شود. در برابر در تحليل تکنيکي، فرض بر آن است که اثر کليه عوامل کلان و خرد اقتصادي و نيز توان و عملکرد شرکت در پيشينه تاريخي قيمت سهم وجود داشته و در نتيجه با تحليل روند قيمت سهم، تصميم به خريد و يا فروش سهم شرکتي گرفته مي شود. پيش بيني و يا پيش گويي قيمت سهم شرکتها در بازارهاي اوراق بهادار از مسائلي است که تحقيقات گوناگوني در کشورهاي مختلف در مورد آن صورت گرفته است. اين تحقيق در بازار بورس اوراق بهادار تهران و تحت رويکرد تکنيک تحليل تکنيکي سعي خواهد نمود تا به حل مساله پيش بيني قيمت سهم شرکتها پرداخته و پاسخي به نياز فعالان بورس اوراق بهادار در مورد حل مساله پيش بيني قيمت سهم ارائه نمايد. 1-3 اهميت مساله اندازه بازار بورس اوراق بهادار تهران در حوزه معملات سهام بيش از 523’342 ميليارد تومان است[3]. اهميت اين اندازه بازار در مقايسه با بودجه ي حدود 000’800 ميليارد توماني سال 1393 کشور بسيار مشهود مي باشد. بازار بورس اوراق بهادار جزء پنج بازار اصلي سرمايه اي کشور است که کوچکترين نوسانات عملياتي آن اثرات بسياري در اقتصاد کشور خواهد گذاشت. در اين بازار بيش از 450 شرکت سرمايه پذير در قالب 35 صنعت به عرضه سهام پرداخته اند و معامله گران حقوقي و حقيقي بيشماري از محل تجارت سهام شرکتها در اين بازار به مديريت اقتصاد بنگاه ها و خانوار مي پردازند. در شرايط ثبات اقتصادي کشورها، سود حاصل از فعاليت در بازار بورس از سود بهره بانکي قطعا بالاتر بوده و اين جذابيت سبب مي شود در شرايط ثبات و يا رشد اقتصادي کشور، جريان سرمايه از بسياري از بازارها و همچنين جريان سرمايه هاي راکد و يا فعال در بازارهاي سياه به سمت بازار بورس اوراق بهادار باشد. در کنار نگاه اقتصادي به بازار بورس، از نگاه اجتماعي نيز حضور معامله گران در سنين جواني و يا پايان ميان سالي، يعني دقيقا در سنيني که هيجان ريسک پذيري، انگيزه فعاليتهاي پرچالش و توام با ريسک را به همراه دارد، در اين بازار شايان توجه است. از اين منظر انتظار آن خواهد بود که در صورت وجود موج اخبار رونق و بازدهي قابل قبول اين بازار، نسبت عمده اي از جمعيت جوياي کار در اين بازار به صورت مستقل به اشتغال درآيند. با اين توضيحات، مي توان نتيجه گرفت حل مساله اين تحقيق با ارائه مدلي بابت پيشگويي قابل اعتماد قيمت سهم شرکتها در بازار بورس داراي نه تنها اهميت از منظر اقتصادي بلکه در زمره مسائل با اهميت اجتماعي نيز قرار مي گيرد. 1-4 هدف تحقيق همانگونه که در بخشهاي پيشين اشاره شد مساله مورد تحقيق، يشگويي قيمت سهام شرکتها در بازار بورس اوراق بهادار مي باشد. تکنيکهاي متعدد تحليل داده ها سعي در ارائه مدلهايي در پاسخ به سئوال اين تحقيق نموده اند. دانش نوين داده کاوي با ساختاردهي بسياري از اين تکنيکها، محققان را در پيشبرد بهبود کارايي و اثربخشي مدلها و راهکارها کمک شاياني نموده است. در اين تحقيق با مرور تحقيقات پيشين، به کارگيري مدل شبکه عصبي مصنوعي با آموزش به کمک الگوريتمهاي تکاملي مد نظر قرار گرفته است.هدف بنيادين اين تحقيق شناسايي اثربخش ترين مدل پيشگويي قيمت سهام شرکتهاي فعال در بازار بورس اوراق بهادار، ساخت يافته با شبکه عصبي مصنوعي آموزش داده شده با الگوريتم تکاملي مي باشد. به منظور دستيابي به اين هدف، اهداف خرد و يا نشانه ها[4] به شرح زير مد نظر مي باشد: