پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون
فرمت فایل دانلودی: .docxفرمت فایل اصلی: docx
تعداد صفحات: 93
پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 93 صفحه
چکیده
در دنیای امروز با توجه به تغییر سبک زندگی، مردم به دنبال روشی برای بهبود و پیشرفت وضع اقتصادی خود هستند، از مهمترین روشها برای بهبود در وضعیت مالی می¬توان به افزایش درآمد اشاره کرد. یکی از آسان ترین راه ها، سرمایه گذاری است که ابعاد مختلف دارد. در کشور ایران با توجه به تغییرات شدید بازار سکه و ارز، افراد بیشتری به سمت بازار سهام رو آوردند. یکی از جذاب ترین مسایل در بورس دستیابی به روشی است که موجب افزایش سرمایه و تا حد امکان، کاهش ضرر گردد. این مساله موجب شد که به¬ بررسی الگوریتم و روشهای هوش مصنوعی در مدیریت بورس پرداخته شود. در این تحقیق روشهای مختلف مورد بررسی قرار گرفته و دلایل موفقیت و شکست این روشها بررسی شده است. بر مبنای مطالعات انجام شده شاید بتوان گفت بهترین و پرکاربردترین روش شبکه های عصبی است. اگر این روش با روشهای آماری ترکیب شود امکان دستیابی به نتایج بهتری فراهم خواهد شد و اگر این زمینه میسر شود موجب بهبود در وضع اقتصادی شرکتها و در نتیجه بهبود در وضع اقتصاد کشور خواهد شد.
در این پروژه سعی شده است به کمک شبکه عصبی پرسپترون به پیش بینی بازار سهام پرداخته شود. پس از بررسیهای انجام شده آشکار شد بر روی داده¬های بنیادی بورس اوراق بهادار کمتر کار شده است. بنابراین به بررسی و مقایسه داده های بنیادی، تکنیکی و ترکیب بنیادی و تکنیکی پرداخته شده است. سپس نشان داده شده است که داده¬های ترکیبی برای پیش بینی مناسب تر هستند. با هدف بهبود پیش بینی، به داده های مورد استفاده در بازار سهام الگوی سر و سرشانه افزوده شده است. با بررسی و مقایسه صورت گرفته بین داده های معمولی بدون الگوی سر و سرشانه و داده های با استفاده از این الگو به کمک جعبه ابزار شبکه عصبی MATLAB نشان داده شده است که این الگوموجب بهبود پیش بینی خواهد شد
کلید واژه:الگوی بازار سهام-شبکه های عصبی مصنوعی-چندلایه پرسپترون
فهرست مطالب
فصل اول: مقدمه 1
فصل دوم: 6
۲-۱ مقدمه 6
۲-۲ بررسی اولین پژوهشهای انجام شده 6
۲-۳ استفاده از روشهای شبکه عصبی و تحلیلهای سری زمانی 7
۲-۴ بررسی بازار کارآمد .8
۲-۵ فاکتورهای موثر در پیش بینی 9
۲-۶ ادغام روشهای شبکه¬های عصبی و فازی 9
۲-۷ روش ماشین بردار پشتیبان 10
۲-۸ تاثیر انتشار اطلاعات بورس بر روند پیش بینی 10
۲-۹ ایجاد سیستم خودکار 11
۲-۱۰ بررسی جدیدترین روشها .11
۲-۱۱ بررسی روشهای داده کاوی در پیش بینی 14
۲-۱۲بررسی روش ماکف 14
۲-۱۳ بررسی روش ARIMA 15
۲-۱۴ نتیجه گیری 17
فصل سوم: 17
۳-۱مقدمه 19
۳-۲ اصطلاحات رایج در بازار بورس 19
۳-۲-۱سهام 19
۳-۲-۲ بورس 20
۳-۲-۳ حجم مبنا 20
۳-۲-۴ درصد تحقق سود 20
۳-۲-۵ پیش بینی سود 21
۳-۲-۶ شاخص 21
۳-۲-۷ نماد 21
۳-۲-۸ دامنه نوسان 21
۳-۲-۹ بررسی فاکتورهای کیفی و کمی 22
۳-۳ انواع روشهای پیش بینی 22
۳-۳-۱تحلیل تکنیکی 23
۳-۳-۲تحلیل پایه 24
۳-۳- ۳روشهای جایگزین 28
۳-۴ فرضیه بازار کارآمد 37
۳-۵ ماشین بردار پشتیبانی 37
۳-۶ نتیجه¬گیری 38
فصل چهارم: 39
۴-۱ مقدمه 39
۴-۲ انواع دیدگاه در ادبیات مالی 40
۴-۲-۱ روش بنیادی .40
۴-۲-۲روش تکنیکی 40
۴-۳ الگوریتم TRAINLM .44
۴-۴ آموزش دسته ای کاهش شیب 46
۴-۵ آموزش دسته ای Momentum 46
۴-۶ تعیین تعداد لایه و تعداد نورون در هر لایه 46
۴-۷ تحلیل نتایج 47
۴-۸ الگوی سر و سرشانه 53
۴-۹ نحوه آماده سازی داده به کمکRandomWalk 56
۴-۱۰ تعیین تعداد لایه و تعداد نورون در هر لایه 57
۴-۱۱نتیجه گیری 62
فصل پنجم: 63.
۵-۱ مقدمه 63
۵-۲ کارهای انجام شده در پایان نامه 63
۵-۲-۱ پژوهشی 63
۵-۲-۲ اصلاحات 63
۵-۲-۳ نرم افزار 64
۵-۲-۴ پایگاه داده 64
۵-۳ دوره زمانی پیش بینی 64
۵-۴ انواع پیش بینی 64
۵-۵ نوع پنجره انتخابی 64
۶-۵ تعداد لایه های پنهان و تعداد نورونها 65
۵-۷ نتیجه گیری 67
فصل ششم: 68
۶-۱ نتیجه گیری 68
۶-۲ پیشنهادات 69
مراجع 70
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.