یکی از راههای تامین سرمایه برای سرمایهگذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس میباشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهمترین عاملی که در اتخاذ سرمایهگذاری در بورس فراروی سرمایهگذار قرار دارد عامل قیمت سهام است که به تبع آن مق أکثر
یکی از راههای تامین سرمایه برای سرمایهگذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس میباشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهمترین عاملی که در اتخاذ سرمایهگذاری در بورس فراروی سرمایهگذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیشبینی قیمت آینده نیز مطرح میشود. فعالان در این بازار درصدد دستیابی و بهکارگیری روشهایی هستند تا با پیشبینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیشبینی قیمت پایانی سهام- مطالعه موردی شرکت فرآوردههای نفتی پارس- با به کارگیری دادههای روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMA صورت پذیرفته است. نتایج بهدست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیحدهندگی بالاتر و در نتیجه پیشبینی بهتری را نسبت به روش رگرسیونی نشان میدهد.
تفاصيل المقالة
هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکتهای صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران میباشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شدهاست. در روش تحلیل آماری پرسشنامهای تدوین گردید که بین کار أکثر
هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکتهای صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران میباشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شدهاست. در روش تحلیل آماری پرسشنامهای تدوین گردید که بین کارشناسان ارشد بورس اوراق بهادار و اساتید دانشگاه آزاد واحدهای شهر تهران که به مفاهیم شبکه عصبی و پیشبینی قیمت سهام آشنایی کامل دارند، توزیع شد و با استفاده از آزمون t و کای اسکور به بررسی فرضیات پژوهش پرداخته و در نهایت تمام فرضیهها مورد تایید قرار گرفت. مجددا فرضیات پژوهش با استفاده از روش شبکه عصبی پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – مارکوات مورد بررسی قرار گرفت و مشخص گردید در حالتی که شاخصها بهعنوان ورودی وارد شبکه میگردند پیشبینی قیمت سهام نسبت به حالتی که شاخصها بهعنوان ورودی وارد شبکه نمیگردند، از دقت کافی برخوردار نیست و در عین حال خطای شبکه هم افزایش مییابد. در نهایت نتایج شبکه عصبی با نتایج تحلیل آماری مطابقت دارد به عبارتی در هر دو روش، شاخصها بهعنوان موانعی در پیشبینی قیمت سهام به روش شبکه عصبی تعیین گردیده است.
تفاصيل المقالة
پیشبینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیشبینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استن أکثر
پیشبینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیشبینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استنتاج عصبی فازی سازگار (ANFIS) و شبکه عصبی بازگشتی (RNN) با استفاده از دادههای تاریخی و شاخصهای اندیکاتور پیشبینی میشود. سپس نتایج به همراه وضعیت شایعات بازار به سیستم خبره فازی وارد میشود و پیشبینی را بر مبنای خروجی سیستم عصبی فازی و شبکه عصبی بازگشتی به همراه وضعیت شایعات بازار، نهایی میکند. مدل ترکیبی ارائه شده برای پیشبینی قیمت دادههای سهام شرکت فولاد مبارکه اصفهان اجرا شد. در این مطالعه برای دادههای تحقیق از دادههای شرکت بورس اوراق بهادار تهران مربوط به دادههای سهام شرکت فولاد مبارکه اصفهان از 5 فروردین 1395 لغایت 29 اسفند 1398 استفاده شده است. چهار شاخص فنی در این مطالعه مورد استفاده قرار گرفته است که عبارتند از: میانگین متحرک(MA)، میانگین متحرک نمایی(EMA)، اندیکاتور قدرت نسبی(RSI)، اندیکاتور میانگین متحرک همگرایی واگرایی(MACD). از این متغیرها به عنوان ورودی سیستم عصبی فازی برای پیشبینی قیمت پایانی روز بعد سهام شرکت فولاد مبارکه اصفهان استفاده شده است.
تفاصيل المقالة
امروزه انواع مدلهای هوش مصنوعی جایگاه خود را در محاسبات و پیشبینیهای بازارهای مالی تثبیت کردهاند؛ در این میان معماریهای مبتنی بر یادگیری عمیق که خود براساس الگوریتمهای یادگیری ماشینی میباشند، از طریق رفع ضعفهای مدلهای سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای أکثر
امروزه انواع مدلهای هوش مصنوعی جایگاه خود را در محاسبات و پیشبینیهای بازارهای مالی تثبیت کردهاند؛ در این میان معماریهای مبتنی بر یادگیری عمیق که خود براساس الگوریتمهای یادگیری ماشینی میباشند، از طریق رفع ضعفهای مدلهای سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفتهاند. مهمترین مزیت الگوریتمهای یادگیری عمیق نسبت به مدلهای سنتی شبکه عصبی، استخراج خودکار ویژگیهای مناسب از ورودیهای خام می-باشد که از آن برای روند یادگیری مدل استفاده میکند؛ به عبارتی الگوریتمهای این روش از چندین لایهی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره میبرند تا بهترین ویژگیهای مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماریهای الگوریتم حافظه کوتاهمدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقهبندی عوامل موثر بر قیمت سهام، مولفههای نشاندهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه دادههای قیمتی، شاخصهای تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد.
تفاصيل المقالة
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام أکثر
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام است. برای این کار بطور متداول از مدلهای کلاسیک غیرخطی ریاضی و هوشمند مانند رگرسیون استفاده می شود. در مطالعه حاضر برای کاهش خطاهای پیشبینی، از مدل غیرخطی رگرسیون بردار پشتیبان با خروجیهای متعدد استفاده شده است. برای نشان دادن کارایی مدل پیشنهادی از دادههای شرکتهای شاخص S&P500 در دوره زمانی 12/09/2016 تا 02/08/2021 استفاده شده است. نتایج نشان میدهد که انتخاب سبد سهام مبتنی بر پیشبینی به کمک رگرسیون بردار پشتیبان با خروجی چندگانه به دلیل در نظر گرفتن روابط بین خروجیها به صورت همزمان از نظر معیار شارپ، عملکرد بهتری نسبت به انتخاب سبد سرمایهگذاری بر اساس پیشبینی با استفاده از روش رگرسیون دارد.
تفاصيل المقالة
در این پژوهش با استفاده از سیستم استنتاج عصبی_فازی انطباقی اقدام به طراحی مدلی برای کشف روند موجود در قیمت سهام شرکت ایرانخودرو در بورس اوراق بهادار تهران شده است. دوره زمانی مورد مطالعه این پژوهش سالهای 1388-1381 است که به دو دوره تقسیم شده است: دوره بلند مدت شامل اطل أکثر
در این پژوهش با استفاده از سیستم استنتاج عصبی_فازی انطباقی اقدام به طراحی مدلی برای کشف روند موجود در قیمت سهام شرکت ایرانخودرو در بورس اوراق بهادار تهران شده است. دوره زمانی مورد مطالعه این پژوهش سالهای 1388-1381 است که به دو دوره تقسیم شده است: دوره بلند مدت شامل اطلاعات 8 سال و دوره کوتاهمدت شامل اطلاعات فصلی 8 سال. برای دوره بلندمدت با بررسی انواع توابع عضویت یک مدل عصبی_فازی با دو تابع عضویت مثلثی و چهار متغیر مستقل شامل حجم معامله، سود تقسیمی هر سهم، نسبت قیمت به سود هر سهم و آخرین قیمت هر روز سهم به عنوان مدل بهینه انتخاب شد. برای دوره کوتاه مدت نیز مدل عصبی_فازی با دو تابع عضویت مثلثی برای سه ماهه اول، دو تابع عضویت ذوزنقهای برای سه ماهه دوم، دو تابع عضویت گوسی نوع دوم برای سه ماهه سوم و دو تابع عضویت ذوزنقهای برای سه ماهه چهارم انتخاب شدند. شناخت روند کلی قیمت سهام نیز با یک مدل عصبی_فازی با دو تابع عضویت مثلثی و چهار متغیر مستقل مزبور صورت گرفت. در نتیجه با استفاده از این مدل روند قیمت سهام شرکت ایرانخودرو با سطح خطای پایینی پیشبینی شد.
تفاصيل المقالة
پیشبینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیشبینی قیمت سهام در بازار ایران از شبکههای عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکههای أکثر
پیشبینی قیمت سهام در آینده هم برای خریداران سهام و هم برای فروشندگان آن از اهمیت بالایی برخوردار است. از این رو، جهت توسعه مدلی مبتنی بر هوش مصنوعی به منظور پیشبینی قیمت سهام در بازار ایران از شبکههای عصبی مصنوعی در این پژوهش استفاده گردیده است. از آنجایی که شبکههای عصبی مصنوعی میبایست جهت حصول بهینهترین عملکرد دارای بهترین توپولوژی شبکه باشند، از الگوریتم فرا ابتکاری شناختهشدهای تحت عنوان کرم شبتاب جهت یافتن ساختار بهینه شبکه استفاده گردیده است. در نهایت نیز جهت حفظ هرچه بیشتر عمومیت شبکه از روش رگولاسیون بیزین، به جای روش های متداول آموزش، جهت آموزش شبکه استفاده گردیده است. بطور کلی، دادههای مربوط به سه شرکت بزرگ: ایران خودرو، پتروشیمی شیراز و ذوب آهن اصفهان برای سه سال متوالی مورد جمعآوری قرار گرفته و از پارامترهای: حجم معاملات، قیمت بالا، قیمت پایین، قیمت باز، قیمت پایانی، EMA(5)، EMA(10)، RSI، William R%، Stochastic k%، Stochastic D%، و ROC بعنوان ورودی شبکه و از قیمت پایانی سهام در روز آینده بعنوان خروجی شبکه عصبی استفاده گردیده است. پس از توسعه مدل مرتبط با هر شرکت از پارامترهای آماری نظیر: مجذور میانگین مربعات خطا (RMSE)، انحراف از معیار خطا (SDE)، متوسط مطلق خطای نسبی (AARD)، ضریب رگرسیون (R2)و همچنین آنالیز گرافیکی نمودار خطای نسبی جهت سنجش دقت شبکه توسعه داده شده استفاده گردیده است. نتایج حاصل از آنالیز خطای شبکههای عصبی توسعه داده شده نشان میدهند که مدلهای مذکور با دقت بسیار مناسبی قادر به پیشبینی قیمت سهام در روز آینده برای شرکتهای ذکر شده میباشند.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications