تحلیل تکنیکی

این تحقیق در پی یافتن پاسخ این سوال است که آیا استفاده از روش های تحلیل تکنیکی در بورس اوراق بهادار تهران سودمند می باشد یا خیر؟ بدین منظور یکی از ساده ترین و در عین حال پرکاربردترین روش های تحلیل تکنیکی یعنی میانگین متحرک مورد استفاده قرار گرفته است. این بررسی از طریق آزمودن قواعد معاملاتی متعدد میانگین متحرک بر روی شاخص کل بورس اوراق بهادار تهران از تیرماه سال 1371 تا پایان شهریور ماه سال 1383، صورت پذیرفته است. نتایج تحقیق نشان می دهد که روش های میانگین متحرک دارای قابلیت پیش بینی می باشند و می توانند الگوهای قیمتی را به منظور انجام معاملات سودمند شناسایی نمایند. علاوه بر این، تحقیق حاضر این فرضیه که روش های معاملاتی تکنیکی نسبت به استراتژی خرید و نگهداری بازده بیشتری ایجاد می نمایند را تایید نمود. طبق نتایج تحقیق به نظر می رسد سودمندترین قاعده، میانگین متحرک 5 روزه می باشد. این قاعده معاملاتی با ایجاد متوسط بازدهی سالانه حدود60 درصد در مقایسه با متوسط بازدهی سالانه نزدیک به 36 درصدی روش خرید و نگهداری درهمین دوره، بهترین عملکرد را داشته است.

در این پژوهش از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیرخطی پویای پیچیده، برای پیش بینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی، استفاده کرده ایم. متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی) بر قیمت بنزین و در روش تحلیل تکنیکی شامل میانگین های متحرک کوتاه و بلندمدت است. نتایج نشان دهنده دقت بیش از 96درصد پیش بینی و پایداری روش قیاسی و بیش از99درصد تحلیل تکنیکی است. اثر روز دوشنبه به عنوان یک معیار تحلیل تکنیکی در روش قیاسی، تایید شده است. همچنین، در مقایسه معیارهای خطا، دقت پیش بینی های شبکه عصبی GMDH به طور معناداری از الگوی رگرسیونی بهتر است.

در این مقاله، از رویکرد هوشمند تلفیقی، مشتمل بر نوعی از شبکه عصبی موسوم به GMDH و الگوریتم ژنتیک و بهینه سازی چند منظوره، برای تحلیل قیمت پیش خرید و پیش فروش نفت خام به منظور محاسبه حداکثر درآمد حاصل از پیش بینی در روندهای مختلف بازار مبتنی بر قواعد تحلیل تکنیکی استفاده شده است. نتایج نشان میدهد که در بازه زمانی 5 تا 10 روزه برای دوره های مختلف، بازار عایدی مطلق به 97% میرسد. هم چنین روند صعودی دارای بیش ترین عایدی و روند بیثباتی توام با تغییر، کم ترین عایدی را دارد.

در این مقاله، از شبکه عصبی GMDH، برای پیش بینی قیمت گازوئیل مبتنی بر قواعد تحلیل تکنیکی، شامل میانگین های متحرک کوتاه مدت و بلندمدت، به عنوان ورودی شبکه، طی دوره های مختلف بازار، استفاده شده است. در این بررسی، هزینه های مبادله و عوامل برون زا لحاظ نشده است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در این جا گازوئیل خلیج فارس) است. نتایج نشان می دهد که بهترین عملکرد پیش بینی در وضعیت باثبات بازار حاصل شده است. هم چنین پیش بینی های شبکه عصبی نسبت به روش سری زمانی، از خطایکم تر و دقت بالاتری برخوردار است.

یکی از مفیدترین روش ها برای تشخیص زمان ورود و خروج به بازارهای بورس، روش تحلیل تکنیکی است. تحلیل تکنیکی به مجموعه ای از قوانین معاملاتی اطلاق می شود که با بررسی روند گذشته قیمت ها، سعی در پیش‎بینی روند آینده آن‎ ها دارند. با توجه به گستردگی و تعدد روش های تحلیل تکنیکی و این نکته که تمامی‎روش های تحلیل تکنیکی در تمامی بازارها قابل استفاده نیستند، در این مقاله سعی شده است سودآوری برخی شاخص های تحلیل تکنیکی پرکاربرد در بازار بورس تهران مورد مقایسه قرار‎گیرد. به این منظور، سودآوری 46 قاعده معاملاتی، شامل انواع میانگین های متحرک بلندمدت و کوتاه مدت، حدود محافظ و مقاوم، باندهای بولینگر، نوسانگر های استوکاستیک، شاخص قدرت نسبی و میانگین متحرک هم‎گرایی/ واگرایی بر روی 22 شرکت پرمعامله بورس تهران، مورد ارزیابی قرار گرفته است. برای انجام آزمون های آماری، به‎دلیل عدم وجود شرایط آزمون های نرمال، از تکنیک "بوت استرپ" استفاده شده است. نتایج نشان می دهد در بین شاخص های آزمون شده، میانگین های متحرک کوتاه‎مدت و نوسانگر ها از بیشترین سودآوری و حدود محافظ و مقاوم از کم‎ترین سودآوری برخوردارند. میانگین های متحرک بلندمدت نیز با این‎که از سودآوری بیشتری نسبت به استراتژی خرید و نگهداری برخوردار بوده اند، سود کم‎تری را در مقایسه با نوسانگر ها و میانگین های متحرک کوتاه‎مدت ایجاد می‎کنند

سرمایه گذاران با انگیزه های مختلف، نقش اساسی در تامین منابع مالی بازی می کنند. واحدهای اقتصادی هم از جذب سرمایه های پراکنده، اهداف متفاوتی را دنبال می کنند که هدف هر دو گروه دستیابی به منافع بیشتر و حداکثر کردن ثروت است. یکی از انواع سرمایه گذاری به منظور افزایش ثروت سرمایه گذاران، سرمایه گذاری در بورس اوراق بهادار می باشد که روش ها و فنون مختلفی در رابطه با سرمایه گذاری در این بازار وجود دارد. تجزیه و تحلیل تکنیکی یکی از رویکردهای مهم سرمایه گذاری در بازار سرمایه است. تجزیه و تحلیل تکنیکی فرآیند بررسی قیمت های تاریخی سهام و حجم معاملات به منظور تعیین قیمت های احتمالی آینده است. به عبارت دیگر تکنیکال ها بر این باورند که در بازار سهام، تمامی اطلاعات مورد نیاز در قیمت ها نهفته است و با تمرکز بر روی قیمت دوره های قبل و زمان حال سهام و پیش بینی آتی آن، می توان از یک انتخاب مناسب در بازار سود جست. در این تحقیق بازدهی 10 شاخص معتبر تحلیل تکنیکی در قالب 11 فرضیه با استفاده از آزمون پارامتریک t دو نمونه وابسته و آزمون ناپارامتریک ویل کاکسون در مورد 58 شرکت فعال در بورس تهران، طی سال های 83 تا 85، در برابر بازدهی روش خرید و نگهداری، آزمون شدند که شامل: میانگین متحرک ساده، میانگین متحرک موزون، میانگین متحرک نمایی، میانگین متحرک متغیر، میانگین متحرک مثلثی، شاخص قدرت نسبی، شاخص جریان پول، شاخص اندازه حرکت دینامیک، شاخص اندازه حرکت درون روزانه و شاخص ویلیامز می باشد. طبق نتایج به دست آمده، فرضیات فرعی تحقیق، بازدهی حاصل از بکارگیری شاخص های میانگین (5 شاخص ابتدایی بالا) برخلاف سایر شاخص ها بیشتر از بازدهی روش خرید و نگهداری و طبق فرضیه اصلی تحقیق نیز بازدهی حاصل از بکارگیری تحلیل تکنیکال بیشتر از بازدهی روش خرید و نگهداری است.

با توجه به اهمیت پیش بینی در حوزه مسایل مالی و اقتصادی محققان همواره در تلاشند که از روش های دقیق تری در این زمینه بهره بگیرند تا به درک نسبی بهتری از وضعیت آینده بازار دست یافته، از نااطمینانی ها بکاهند. در این مقاله از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیر خطی پویای پیچیده، برای پیش بینی قیمت آمونیاک استفاده شده است. برای اتنخاب متغیرهای اثرگذار بر قیمت آمونیاک از دو روش تحلیل بنیادین و تکنیکی استفاده شده است. روش تحلیل بنیادین با تکیه بر تئوری عرضه و تقاضا و نگرش کلان اقتصادی، همه عوامل اثرگذار احتمالی بر قیمت را برای مدل سازی و پیش بینی قیمت به محقق پیشنهاد می کند، سپس با تکیه بر توانایی الگوریتم GMDH در شناسایی متغیرهای زاید، از میان همه عوامل اثرگذار احتمالی تنها از عناصر اثرگذارتر بر قیمت آمونیاک استفاده شده است تا پیش بینی های دقیق تر و بدون تورشی ارایه شود. دقت پیش بینی های انجام شده در بازه مورد بررسی بیش از 99 درصد است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در اینجا آمونیاک خاورمیانه) نتایج دقیقی را به دست داده است. برتری شبکه عصبی GMDH در دقت پیش بینی قیمت آمونیاک نسبت به روش ARIMA در بخش پایانی مورد تایید قرار گرفته است.

نحوه انتخاب سهم در بازار بورس اوراق بهادار یکی از مسائل مهم سرمایه گذاران در این بازارها می باشد. از یک سو، اگر سرمایه گذاران در انتخاب سهم به طور منطقی تصمیم گیری نمایند می توانند به بازدهی بالاتر از میانگین دست یابند. از سوی دیگر، استفاده از روش های صحیح و علمی در انتخاب سهم از سوی سهامداران به کاهش نوسان ها و در نتیجه توسعه و رونق بازار بورس منجر خواهد شد. پژوهش حاضر یک تحقیق توصیفی- پیمایشی و از شاخه میدانی است. در این تحقیق عوامل مؤثر بر تحلیل بنیادی سهام در بورس منطقه ای اصفهان با 3 فرضیه اصلی و 15 فرضیه فرعی مورد بررسی قرار گرفته است. برای جمع آوری داده ها و آزمون فرضیه های پژوهش یک نمونه آماری 128 نفری متشکل از سهامدارانی که در بورس منطقه ای اصفهان حضور داشته اند به طور اتفاقی انتخاب و بین آنها پرسشنامه توزیع گردید. نتایج بدست آمده نشان می دهد که متغیرهای مورد بررسی در سطح اقتصاد در ارزیابی و انتخاب سهم سهامداران بورس منطقه ای اصفهان تأثیر بسزایی ندارند، اما تمام متغیرهای مورد بررسی در سطح صنعت مورد توجه سهامداران بوده و بین متغیرهای در نظر گرفته شده در سطح شرکت نیز موقعیت رقابتی، تجزیه و تحلیل مالی و تجزیه و تحلیل سودآوری مورد توجه بوده اما متغیرهای کیفیت مدیریت و کارایی عملیات شرکت چندان در تصمیم سهامداران تأثیرگذار نیستند.

در این تحقیق سودمندی گروهی از الگوهای تحلیل تکنیکی کوتاه مدت، تحت عنوان الگوهای شمعی ژاپنی مورد ارزیابی قرار گرفته است. تحلیل شمعی ژاپنی یک تکنیک زمان بندی کوتاه مدت است که اخطارهای خرید و فروش را بر مبنای رابطه بین قیمت های شروع، حداکثر، حداقل و پایانی صادر می کند. داده های تحقیق شامل سری زمانی قیمت های روزانه سهام 17 شرکت پرمعامله حاضر در بورس اوراق بهادار تهران از تاریخ 10/1/1374 تا 10/9/1390، است. با استفاده از این داده ها سودآوری 28 الگوی شمعی در دو حالت بدون لحاظ کردن کارمزد معاملات و با لحاظ کردن آن ارزیابی و مقایسه گردید. طی فرآیند تحقیق از روش شبیه سازی بوت استرپ بر پایه مدل GARCH-M برای ایجاد سری های زمانی تصادفی از سری اصلی قیمت استفاده شده است. نتایج نشان می دهد اکثر الگوهای مورد تحقیق (18 الگو)، در حالت بدون لحاظ کردن کارمزد معاملات، به صورت معنی داری سودی بیش از روش خرید و نگهداری حاصل نموده اند اما در حالت لحاظ کردن کارمزد معاملات، بسیاری از این الگوها (غیر از 5 الگو)، نمی توانند سودی بیش از روش خرید و نگهداری ایجاد نمایند. به طور کلی می توان گفت الگوهای شمعی ژاپنی موفق به پیش بینی مسیر آینده قیمت و سودآوری می شوند ولی این سودها با لحاظ کردن کارمزد معاملات از میان می رود.

انتخاب موقعیت مناسب سرمایه گذاری همواره یکی از دغدغه های سرمایه گذاران بوده است. در این پژوهش سعی شده تا براساس نظر خبرگان، شاخص هایی که سرمایه گذاران به هنگام انتخاب یک شرکت برای سرمایه گذاری باید مورد توجه قرار دهند، استخراج شود. به منظور مدل سازی مناسبِ شرایط عدم اطمینان، از تکنیک دلفی فازی برای این منظور استفاده شده است. در این رابطه به منظور اجرای تکنیک دلفی فازی، با مرور ادبیات 19 شاخص که در 5 بُعد (نقدینگی، فعالیت، اهرم مالی، سودآوری و رشد) قرار دارند، استخراج شده است. خبرگان تکنیک دلفی فازی 12 نفر (4 نفر از استادان دانشگاهی و 8 نفر از کارشناسان کارگزاری های رسمی بورس اوراق بهادار) بودندکه به صورت هدف مند (قضاوتی) انتخاب گردیدند. پس از انجام تکنیک دلفی فازی طی 5 دوره و انجام محاسبات لازم، شاخص های مناسب برای تحلیل وضعیت شرکت ها و انتخاب شرکت مناسب برای سرمایه گذاری استخراج شد. تعداد این شاخص ها 16 مورد است که در 4 بعد (نقدینگی، سودآوری، ارزش بازار و رشد) قرار دارند.

با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام شرکت مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک ارائه شده است. برای نمونه آماری، سی شرکت از پنجاه شرکت برتر بورس اوراق بهادار در سه ماهه دوم سال 90 انتخاب شده است. سپس برای هر سی شرکت، 44 متغیر محاسبه شد. این متغیرها ورودی مدل ترکیبی هستند و به کمک الگوریتم ژنتیک بهینه سازی شده اند. نتایج نشان می دهد، مدل ترکیبی ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل می کند و درمقایسه با روش ماشین بردار پشتیبان ساده، از دقت بیشتری برخوردار است.