مطالب مرتبط با کلید واژه " پیش بینی قیمت سهام "


۱.

پیش بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده های نفتی پارس

کلید واژه ها: شبکه عصبی مصنوعیپیش بینی قیمت سهاممدل خودرگرسیون میانگین متحرک انباشته (ARIMA)

حوزه های تخصصی:
تعداد بازدید : ۴۰۹ تعداد دانلود : ۳۹۲
یکی از راه های تامین سرمایه برای سرمایه گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم ترین عاملی که در اتخاذ سرمایه گذاری در بورس فراروی سرمایه گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش بینی قیمت آینده نیز مطرح می شود. فعالان در این بازار درصدد دستیابی و به کارگیری روش هایی هستند تا با پیش بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده های نفتی پارس- با به کارگیری داده های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMAصورت پذیرفته است. نتایج به دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح دهندگی بالاتر و در نتیجه پیش بینی بهتری را نسبت به روش رگرسیونی نشان می دهد.
۲.

پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی

کلید واژه ها: الگوریتم ژنتیکانتخاب ویژگیشبکه عصبی فازیپیش بینی قیمت سهام

حوزه های تخصصی:
تعداد بازدید : ۲۳۱ تعداد دانلود : ۲۹۱
در بازارهای سرمایه عامل های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری، تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری، هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش سه فرآیند جاگذاری داده های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می باشد. الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.
۳.

یک شبکه عصبی مصنوعی منظم بیزی برای پیش بینی بازار سهام

کلید واژه ها: شبکه عصبی مصنوعیپیش بینی قیمت سهامشبکه منظم شده بیزی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری مدیریت اوراق بهادار
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری بازده سهام
تعداد بازدید : ۱۳۰ تعداد دانلود : ۱۱۰
در این مقاله شبکه مصنوعی عصبی تنظیم شده بیزی به عنوان یک روش جدید برای پیش بینی وضعیت مالی بازار پیشنهاد داده شده است. قیمت روزانه بازار و شاخص های فنی مالی به عنوان ورودی برای پیش بینی یک روز بعد قیمت سهام فردی بسته شده، استفاده شده است. پیش بینی حرکت قیمت سهام به طور کلی بعنوان یک کار چالش برانگیز و مهم برای تجزیه و تحلیل سری های زمانی مالی در نظرگرفته می شود. پیش بینی دقیق حرکات قیمت سهام می تواند نقش مهمی در کمک به سرمایه گذاران برای بهبود بازده سهام بازی کند. پیچیدگی در پیش بینی این روند در اختلال ذاتی و بی ثباتی در حرکت روزانه قیمت سهام نهفته است. شبکه های منظم بیزی یک ماهیت احتمالی به وزن های شبکه اختصاص داده، اجازه می دهد شبکه به طور خودکار و بهینه مدل های بیش از حد پیچیده را جریمه کند. روش پیشنهادی بطور بالقوه نیاز بیش از حد به برازش و آموزش را کاهش داده و کیفیت پیش بینی و تعمیم شبکه را ارتقا می دهد. آزمایش با سهام شرکت های ایران خودرو و سایپا به منظور تعیین اثربخشی مدل انجام شد. دلیل این انتخاب جذابیت صنعت خودرو برای فعالان بازار سرمایه است، زیرا نرخ بازدهی آن نسبت به شاخص کل بورس و شاخص کل صنعت بالاتر است.
۴.

پیش بینی قیمت سهام با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب

کلید واژه ها: شبکه عصبیپیش بینی قیمت سهامالگوریتم رقابت استعماری مبتنی بر تئوری آشوب

حوزه های تخصصی:
تعداد بازدید : ۱۱۱ تعداد دانلود : ۱۳۳
یکی از گزینه های موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار می باشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیش بینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشت های آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتم های بهینه سازی جستجوی پیشین می باشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سال های 1389 تا 1395 به آموزش شبکه عصبی با الگوریتم های بهینه سازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیش بینی(آماره های اندازه گیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار می باشد.
۵.

کاربرد تئوری مجموعه های راف برای پیش بینی قیمت سهام (مطالعه موردی: بانک صادرات ایران)

کلید واژه ها: گسسته سازی داده هااستخراج قوانینپیش بینی قیمت سهامتئوری مجموعه های رافمشخصه های شرطی و مشخصه های تصمیم

حوزه های تخصصی:
تعداد بازدید : ۱۰۷ تعداد دانلود : ۱۵۰
در این پژوهش روشی مبتنی بر تئوری مجموعه های راف و با استفاده از شاخص های تحلیل تکنیکی جهت پیش بینی قیمت سهام ارائه شده است. تئوری مجموعه های راف دارای مزایای متعددی است که مهمترین مزیت آن در تحلیل داده ها این است که به هیچگونه اطلاعات اضافی اولیه در مورد داده ها نیاز ندارد. در مدل پیشنهادی، تعدادی از شاخص های تکنیکال برای داده های مربوط به بانک صادرات ایران در طول یک سال محاسبه و به عنوان مشخصه های شرطی در جدول تصمیم مورد استفاده قرار گرفته و نوسان قیمت سهام در روز بعد نیز به عنوان مشخصه تصمیم انتخاب می شود. لازم به ذکر است که با استفاده از آنالیز ماتریس همبستگی، شاخص های با بیشترین همبستگی با مشخصه تصمیم انتخاب می گردند. سپس با استفاده از تئوری مجموعه های راف و ترکیب روش های مختلف گسسته سازی داده ها و تولید بی زائده بر اساس داده های یادگیری، قواعد پیش بینی استخراج و قدرت پیش بینی روش های مختلف بر اساس داده های کنترل محاسبه شد. در این مطالعه داده های شش سال متوالی (یعنی 05/05/1388 لغایت 24/04/1394 بانک صادرات مورد استفاده قرار گرفته است. بررسی قدرت پیش بینی این روش و مقایسه بازده حاصل از استفاده از آن و روش خرید و نگهداری، مزیت استفاده از مجموعه های راف را آشکار می نماید. مقایسه نتایج حاصل از اعمال روش ها بر روی داده های مربوطه نشان می دهد که بازده حاصل از استراتژی خرید و نگهداری 33 ریال و بازده حاصل از مدل 182 ریال به ازای هر سهم می باشد. همچنین استفاده از داده های سال های مختلف با روند قیمتی متفاوت به عنوان ورودی مدل و دستیابی به نتایج رضایت بخش، می تواند دلیلی امیدوارکننده برای استفاده از این روش و توسعه آن در پیش بینی قیمت سهام باشد.
۶.

مقایسه روشهای شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش بینی قیمت سهام بانک های پذیرفته شده در بورس اوراق بهادار تهران

تعداد بازدید : ۳۳ تعداد دانلود : ۱۶
هدف پژوهش حاضر مقایسه قدرت پیش بینی روش های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش بینی قیمت سهام بانک ها در بورس اوراق بهادار تهران است. دوره پژوهش این پژوهش از سال 1390 تا 1395 است. در این پژوهش، از سیستم منطق فازی به همراه سیستم شبکه عصبی چندلایه با ساختار بهینه سازی پس انتشار خطا و ماکزیمم همپوشانی تبدیل موجک گسسته برای متغیرهای نرخ ارز، نفت اوپک، طلا، شاخص کل سهام و همچنین حجم معاملات برای پیش بینی قیمت سهام استفاده شده است. نتایج حاصل از مدل با استفاده از تابع هزینه بروز رسانی شده انجام گرفته است. نتایج پژوهش در مقایسه شبکه عصبی فازی موجک و شبکه عصبی فازی نشان می دهد که قابلیت اطمینان پیش بینی قیمت سهام بانک ها با شبکه عصبی موجک فازی بالای 90 درصد و با شبکه عصبی فازی بالای 80 درصد است. درنتیجه شبکه عصبی موجک فازی باقابلیت اطمینان بالاتری نسبت به شبکه عصبی فازی عمل می کند.