طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی : شاخص بورس اوراق بهادار تهران)
محورهای موضوعی : آینده پژوهی
بهمن اشرفی جو
1
(دانشجوی دکتری گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
ناصر فقهی فرهمند
2
(دانشیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران (نویسنده مسئول)
farahmand@iaut.ac.ir)
یعقوب علوی متین
3
(گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
کمال الدین رحمانی یوشانلویی
4
(عضو هیئت علمی گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
کلید واژه: شاخص کل سهام, پیش بینی, شبکه عصبی مصنوعی, بورس اوراق بهادار تهران,
چکیده مقاله :
پیش بینی شاخص کل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت و بروز مشکل در مواقع بحرانی، توسعه یک مدل کار آمد برای پیش بینی شاخص کل سهام بسیار دشوار است. یکی از روشهای شناخته شده و جدید برای پیش بینی شاخص کل سهام، روش استفاده از شبکه های عصبی مصنوعی میباشد. هدف اصلی از این پژوهش طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و این تحقیق از نظر هدف، کاربردی و از نظر روش انجام تحقیق، توصیفی مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعهی آماری این تحقیق، شاخص کل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 می باشد. در این پژوهش ابزاری که با آن به سنجش متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنین از شبکه عصبی مصنوعی چند لایه پرسپترون استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پیش بینی شاخص کل بورس اوراق بهادار تهران نسبت به سایر روش های تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص کل تا 7/1 درصد خطا را دارد و نیز تائید پیروی شاخص سهام بورس تهران از یک فرایند غیر خطی از دیگر نتایج این پژوهش بشمار می رود.
Predicting the total stock index is a challenging task, due to the complexity of stock market variables and the lack of management and the occurrence of problems in critical situations, it is very difficult to develop an efficient model for predicting the total stock index. One of the important tools used for investment decisions is forecasting techniques, which are an integral part of the decision-making and control process. On the other hand, the accuracy of forecasting is directly related to decision risk. One of the well-known and new methods for predicting the total stock index is the method of using artificial neural networks. this research is applied in terms of purpose and descriptive based in terms of research method. It is analytical-mathematical in terms of survey and survey method. The statistical population of this research is the total index of TEPIX from 1369 to 1399. In this research, the tool that has been used to measure the desired variables is the documents and statistics of TEPIX and to analyze the data of this research, descriptive statistics and inferential statistics as well as multi-layer artificial neural network. Perceptron has been used. The results of this study show the confirmation of high accuracy of forecasting the total index of TEPIX compared to other estimation methods provided by the model, which has the power to predict the total index up to 1.7% error and also confirms the adherence to the index of TEPIX. A non-linear process is another result of this research.
طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی : شاخص بورس اوراق بهادار تهران)
بهمن اشرفی جو
دانشجوی دکتری مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
ناصر فقهی فرهمند
عضو هیئت علمی دانشکده مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
farahmand@iaut.ac.ir
یعقوب علوی متین
عضو هیئت علمی دانشکده مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
کمال الدین رحمانی
عضو هیئت علمی دانشکده مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
تاریخ دریافت: 20/6/1402 تاریخ پذیرش: 29 /10/1402
چکیده
پیشبینی شاخص كل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت بروز مشکل در مواقع بحرانی، توسعه یک مدل کارآمد برای پیشبینی شاخص کل سهام بسیار دشوار است. یک پیشبینی نسبتا دقیق از حرکت شاخص برای سرمایه گذاران بازار سرمایه بسیار مهم و حیاتی است. یکی از ابزارهای مهم مورد استفاده برای تصمیمات سرمایه گذاری، فنون پیشبینی است که جزو لاینفک فرآیند تصمیمگیری و کنترل به شمار ميرود، ازطرف دیگر، دقت پیشبینی رابطه مستقیم با ریسک تصمیمگیری دارد. بدین معنی که هر چه پیشبینی دقیق تر باشد، زیان یا ریسک ناشی از تصمیم گیری در شرایط عدم اطمینان کاهش مییابد. يكي از روشهاي شناخته شده و جديد برای پیشبيني شاخص كل سهام، روش استفاده از شبكه هاي عصبي مصنوعی1 ميباشد. هدف اصلی از این پژوهش ارائه مدل بهینه استفاده از شبکه های عصبی مصنوعی جهت پیشبینی سریهای زمانی غیرخطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و اين تحقيق از نظر هدف، كاربردي می باشد. از نظر روش انجام تحقيق، توصيفي مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعهی آماری این تحقیق، شاخص كل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 میباشد. در این پژوهش ابزاری که با آن به سنجش و اندازه گیری متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل دادههای این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنين از شبکه عصبی مصنوعی چند لایه پرسپترون2 استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پيش بيني شاخص كل بورس اوراق بهادار تهران نسبت به ساير روش هاي تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص كل تا 4/1 درصد خطا را دارد. تائید پيروي شاخص سهام بورس تهران از يك فرآيند غير خطي از نتایج اصلی و مهم این پژوهش بشمار میرود، در پايان پيشنهادات كاربردي براي كاربران و محقيقن در تحقیقات آتی نیز ارائه می شود.
واژگان کلیدی: شاخص کل سهام، پیش بینی، شبکه عصبی مصنوعی، بورس اوراق بهادار تهران
[1] Artificial Neural Network
[2] Perceptron layer
88 |
مقدمه
استفاده از روشهای غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده1، مدتهاست در محافل علمی و حتی حرفهای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است(قلیپور و همکاران، 1398). در این تحقيق، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده ميكنيم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار ميگيرند. بیشتر محققین معتقدند که بازارهای مالی از روندی غیرخطی پیروی میکنند(2017،Thomaidis). بنابراین ممکن است از طریق پیشبینیهای خطی، نتایج مناسبی برای بررسی مسیر آینده متغیرهای مالی، حاصل نشود. از مهمترین مدلهای غیرخطی که در سالهای اخیر در بازارهای مالی بسیار مورد استفاده قرار گرفته و به نتایج مطلوبی نیز دست یافته است، مدل شبکههای عصبی مصنوعی میباشد. کاربرد مدلهای شبکه عصبی در علم اقتصاد، اغلب در زمینه پیشبینی و دستهبندی متغیرها در بازارهای پولی و مالی از قبیل قیمتهای سهام و نرخ ارز بوده است. از شبکههای عصبی برای پیشبینی سریهای زمانی در شرایط غیرایستایی متغیرها، عدم توجیه روشهای کلاسیک و یا پیچیدگی سریهای زمانی، بسیار استفاده شده است. دلیل عمده آن، وجود آمار بسیار زیاد در این بازارها و عدم توانایی کافی مدلهای موجود در تبیین و پیشبینی رفتار متغیرهای پولی است. اولین بار وایت بهدنبال این پرسش بود که آیا شبکههای عصبی قادرند قواعد غیرخطی در سریهای زمانی و قواعد ناشناخته در حرکات قیمت داراییها و تغییرات قیمت سهام را شناسایی کنند؟(2019Schwartz,). هدف اصلي از ارایه این تحقيق نيز، نشان دادن این مطلب است که چگونه یک شبکه عصبی قادر به پيش بيني قواعد غیرخطی در سریهای زمانی و قواعد ناشناخته در حرکات قیمت داراییها و تغییرات قیمت سهام ميباشد.
مبانی نظری
پیش بینی
89 |
شاخص کل بورس تهران و روش محاسبهی آن
با آغاز فعالیت مجدد بورس تهران در سـال 1368 ضـرورت محاسـبه شـاخص قیمـت سهام در دستور کار سازمان بورس اوراق بهادار تهران قرار گرفت و شاخص قیمـت سـهام در بورس از اول سال 1369با نام تپیکس2 در سطح بین المللی شناخته شـده اسـت. بـه دنبـال ایـن سهام معامله شده در شش ماهه دوم سال 1368 عملاً شروع گردید. از ابتـداي سـال 1371، تصمیم محاسبه شاخص بورس تهران از آغاز سـال 1369بـر اسـاس میـانگین قیمـت مبناي توزین فرمول، از تعداد سهام معامله شده به تعداد سهام منتشره توسـط شـرکت هـا ي پذیرفته شده در بورس تغییر یافت، فرمول کلی تهیه شـاخص بـه روش میـانگین وزنـی در بورس تهران، همانند سایر بورسهاي جهان، عبارت است از فرمول لاسپیرز که به صـورت خلاصه عبارت است از: ارزش جاري سهام منتشره شرکتهاي پذیرفته شده تقسيم بر ارزش پایه سهام منتشره شرکتهاي پذیرفته شده ضرب در صد، به طور کلی متغیر شاخص کل بورس نشان دهنده وضعیت کلی بازار بـورس مـی باشـد که در اقتصادهاي پیشرفته افزایش این شاخص به معنی رونق اقتصادي و کـاهش آن نشـان دهنده رکود میباشد. براي محاسبه شاخص قیمت سـهام مـی بایسـت آخـرین اطلاعـات از تغییرات قیمتهاي سهام و حجم معاملات آنها را در اختیار داشته باشیم. مبناي محاسبه سال پایه میباشد. این شاخص گویاي آن است که ارزش کـل بازار نسبت به سال پایه چند برابر شده فرضاً شاخص 12700 نشان میدهد کـه ارزش بـازار نسبت به سال x که سال پایه میباشد 127 برابر گردیده است، بین افزایش قیمت سهام عادي شرکتها و شاخص عمومی قیمتها، هم بستگی کـاملی وجود ندارد. درصد تغییر قیمت سهام عادي معمولاً بیش از درصـد تغییـر شـاخص سـطح عمومی قیمتهاست. همراه با تورم و بالا رفتن نرخ بهره، نـرخ بـازده مـورد انتظـار سـهام داران افزایش یافته و در نتیجه قیمت سهام عادي کاهش مییابد. در ارزیابی محیط سرمایه گذار باید به چند عامل مثل پدیده تورم، نرخ بهـره، ریسـک بازده و ریسک تجاري توجه کرد. عواملی چون ثبات قیمـت هـاي خـرده فروشـی و عمـده فروشی به ثبات نرخ بهره باعث افزایش ارزش سهام در بازار میشود بر عکس، تـورم، بـی ثباتی سود و افزایش نرخ بهره، عوامل نامطلوب تلقی شده و باعـث کـاهش قیمـت سـهام میشود (جهانخانی، 1395)
پیشینه پژوهش های داخلی و خارجی
90 |
91 |
[1] Complex
[2] TEPIX
[3] Genetic
[4] Decision tree
مدل مفهومی تحقیق
1)مدل مفهومی شبکه ی عصبی مصنوعی
شکل 1- مدل مفهومی تحقیق برای شبکه عصبی مصنوعی (Kristjanpoller, 2015)
شکل 2- استفاده از اطلاعات 30 سال قبل و وارد کردن آن به شبکه برای پیش بینی
روش تحقیق
92 |
روش و ابزار گردآوری اطلاعات
روش جمع آوري داده در اﻳﻦ ﭘﮋوﻫﺶ ﺑﺮاي ﭘﻮﺷﺶ ﻣﺒﺎﺣﺚ ﺗﺌﻮري ﺗﺤﻘﻴﻖ، ﻛﺘﺐ ﺗﺨﺼﺼﻲ و ﻋﻤﻮﻣﻲ، ﻣﻘﺎﻻت و ﻧﺸﺮﻳﺎت ﺗﺨﺼﺼﻲ و ﻫﻤﭽﻨﻴﻦ ﺑﻪ ﻣﻨﻈﻮر ﮔﺮدآوري داده ﻫﺎ، از اسناد و مدارک 30 سال گذشته ( از سال 1399 تا 1369) موجود در مركز آمار و بانك مركزي جمهوري اسلامي ايران استفاده شده است
جامعه آماری
جامعه آماری و نمونه آماری در این تحقیق داده هاي آماري (سري هاي زماني) مربوط به شاخص سهام بورس تهران، در طول 31 سال گذشته (از سال 1399 تا 1369) موجود در مركز آمار و بانك مركزي جمهوري اسلامي ايران ميباشد .
روش تجزیه و تحلیل داده ها
به منظور تجزيه و تحليل داده ها و اطلاعات موجود در اسناد و مدارک از آمار توصیفی داده ها استفاده میشود. سپس یافته های تحقیق بر اساس تكنيك شبكه هاي عصبي و هوش مصنوعي طبق مدل مفهومی ارايه شده جهت پيش بيني، آزمون ديكي فولر جهت مقايسه نتايج خطي آن با نتايج غير خطي شبكه عصبي، آزمون تی- استیودنت و همبستگي جهت آزمون فرض ها استفاده شده و به طور كلي در تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و آمار استنباطی و با استفاده از نرم افزارهای MATLAB و SPSS انجام گرفته است.
آمار توصیفی مربوط به شاخص كل بورس اوراق بهادار تهران
بعد از انقلاب سال پایه برای محاسبه شاخص کل، سال 69 بود که در زمان رجایی سلماسی برقرار شد و تا پایان همان سال بر روی رقم 189 واحد بسته شد و بالاخره در دوره دولت دوم آقاي روحاني شاخص بورس به 1500000 هم رسيد و در نهايت با افت شديد در سال 1399، در آذر ماه سال1400 (پايان زمان مطالعات تحقيق) بعداز نوسانات شديد به1265234واحد رسيده است
.
جدول 1- آمار توصیفی اطلاعات مربوط به شاخص کل بورس اوراق بهادار تهران در 30 سال گذشته
متغیرها | مقدار | واحد اندازه گیری |
شاخص کل بورس (آذر 1400) | 12652341 | واحد |
میانگین (30 سال) | 260158 | واحد |
میانه | 24849 | واحد |
انحراف معیار | 454218 | واحد |
بیشینه (ماکزیمم) | 1447120 | واحد |
کمینه (مینیمم) | 189 | واحد |
93 |
نمودار 2- پراکندگی شاخص کل بورس اوراق بهادار تهران از سال 1369 تا 1399
آمار توصيفي شاخص كل ازسال 1369 تا 1399 و نمودارهاي پراكندگي و هيستوگرام نشان ميدهند شاخص كل در طول اين دروه داراي نواسانات بسيار شديد بوده است زيرا انحراف معيار شاخص كل 454218 واحد بوده به طوريكه ميانگين شاخص در اين مدت برابر 260158 واحد بوده است همچنين فاصله بسيار زياد حد پايين ميانگين و حد بالاي ميانگين در 95درصد تاييد كننده اين قضيه ميباشد و همچنين نمودار پراكندگي نشان از معني دار بودن تغييرات (سطح معني داري برابر 005/0 و كمتر از 5 صدم ميباشد) زياد در طول سري زماني است و در نهايت تغييرات مذكور نشانگر تلاطم هاي زياد در اقتصاد كلان كشوري در طول سي سال گذشته ميباشد. در این تحقیق در دو بخش جدا گانه که یکی مربوط به جامعه مورد نظر پیش بینی کننده شاخص كل می باشد و دیگری مربوط به تعیین الگوی پیش بینی شاخص كل در بورس اوراق بهادار تهران می باشد. بررسي تست كولموگروف ايسمرنوف روي داده هاي شاخص كل واقعي ازسال 1369 تا 1399نشان ميدهد توزيع داده ها داراي توزيع نرمال نميباشد زيرا سطح معني داري برابر 01/0 بوده و از 05/0 كمتر ميباشد به عبارت ديگر داده ها با تركيب توزيع نرمال اختلاف معني داري دارند و اين مسئله وجود پراكندگي بيش از حد شاخص كل در طول سري زماني را مورد تاييد مجدد قرار ميدهد.
نمودار 3- تست نرمال بودن شاخص کل واقعی بورس اوراق بهادار تهران از سال 1369 تا 1399
94 |
سوال پژوهش
پيش بيني شاخص سهام بورس اوراق بهادار تهران با به کارگیری شبكه هاي عصبي در چه سطحي ميباشد؟
نتایج کمی مدلسازی شبکه عصبی مصنوعی پس انتشارخطا در این پژوهش با استفاده از نرم افزار MATLAB برای ایجاد شبكه عصبي پس انتشار خطا و مدل سازی تغییرات شاخص كل استفاده شده است. نظر به زیاد بودن تعداد داده ها (11160 شاخص روزانه براي سي ويك سال) پیش بینی شاخص بورس اوراق بهادار تهران با استفاده 6000 داده كه80 % برای آموزش، 15% برای ارزیابی و 5% داده ها برای آزمایش مدل استفاده شده است. ملاك مورد استفاده برای تاييد مدل ريشه میانگین مجذور خطا (25RMSE) مربوط به داده های آزمایش است. برای بدست آوردن بهترین مقادیر پارامترهای مدل، گام های زیر اجرا شده است، ابتدا نرخ یادگیری و تعداد دوره های آموزش به ترتیب 3/0 و 8000 تعیین شد. سپس تاثير مقادير مختلف عناصر پردازشی در لايه پنهان تحلیل شده است .
بر اساس مقادیر عناصر پردازش مناسب که از گام یک بدست آمده است، تأثیر نرخ یادگیری های متفاوت بر نتایج مدل در گام دوم بررسی شده است. در گام سوم، دو آزمایش براي 1 و 2 لايه پنهان انجام شده است تا در مورد بهترین تعدادلايه پنهان نتیجه گیری شود. درپايان، مدل انتخابي در گام های بالا طي 8000 دوره آموزشی، آموزش داده میشود تا احتمال قرار گرفتن در نقاط حداقل محلی کاهش یابد.
ابتدا مدل شبكه هاي عصبي با نرخ يادگيري 3/0، و تعداد دوره هاي آموزشي 8000 و شش مقدار متفاوت عناصر پردازشی ایجاد شده است نتایج واصله در جدول 2 آمده است. با واردکردن داده های متغیر اول، شبکه این داده ها را به طور تصادفی به سه گروه تقسیم می کند. گروه اول که برای آموزش استفاده می شوند، گروه آموزشی می باشد. شبکه با استفاده از اطلاعات این گروه آموزش می بیند و با سعی و خطا خود را بهبود می بخشد، یعنی در صورت بروز خطا به عقب برگشته (الگوریتم پس انتشار خطا) و سپس رو به جلو حرکت می کند (شبکه پیش خور) و این بار سعی می کند که دوباره آن خطا را انجام ندهد. گروه دوم، گروه اعتبارسنجی می باشد، که در این مرحله اطلاعات چند شرکت را بطور تصادفی به شبکه وارد می کنیم تا عملکرد شبکه طراحی شده ارزیابی گردد. گروه سوم، گروه آزمایش نام دارد و برای تست کردن نتیجه شبکه استفاده می گردد.
جدول 2- نمایش تعداد آزمايش ها، عناصر پردازشي و تعداد لايه پنهان
تعداد دوره های آموزشی: 8000 و تعداد لایه پنهان: 1 | |||||
آزمایش | عناصر پردازشی | مجموعه داده | MSE | RMSE | R2 |
1 | 1 | آموزش | 132733441 | 11521 | %79.2 |
آزمایش | 211469764 | 14542 | %81.1 | ||
2 | 2 | آموزش | 427716 | 654 | %97.7 |
آزمایش | 467856 | 684 | %84.6 | ||
3 | 3 | آموزش | 292681 | 541 | %85.2 |
آزمایش | 96721 | 311 | %99.8 | ||
4 | 4 | آموزش | 71520849 | 8457 | %79.9 |
آزمایش | 43414921 | 6589 | %88.8 |
95 |
همان طوري که ملاحظه ميشود کمترین RMSE برابر است با 311 که با تعداد عناصر پردازشی سه اتفاق افتاده است. بنابراین در آزمایش سایر پارامترها از سه عنصر پردازشی استفاده شود. درگام دوم شش آزمايش با نرخ هاي يادگيري مختلف با سه عنصر ازمايشي ، دقت مدل مورد بررسي قرار ميگيرد.
96 |
تعداد دوره های آموزشی: 8000 و تعداد لایه پنهان: 1 و تعداد عناصر پردازشی: 3 | |||||
آزمایش | نرخ یادگیری | مجموعه داده | MSE | RMSE | R2 |
1 | 0.01 | آموزش | 132733441 | 1205 | %99.1 |
آزمایش | 211469764 | 1008 | %82.4 | ||
2 | 0.05 | آموزش | 427716 | 477 | %99.8 |
آزمایش | 467856 | 408 | %97.1 | ||
3 | 0.1 | آموزش | 292681 | 892 | %92.4 |
آزمایش | 96721 | 1327 | %88.3 | ||
4 | 0.3 | آموزش | 71520849 | 645 | %79.7 |
آزمایش | 43414921 | 652 | %81.3 |
همان طوريکه جدول 3 نشان می دهد کمترین RMSE كه برابر408 در نرخ یادگیری 05/0 دست آمده است. بنابراین در گام بعد سه عنصر پردازشی، نرخ یادگیری 05/0 و تعداد يك و دو لايه پنهان استفاده ميشود. در اين مرحله، ابتدا مدل با سه عنصر پردازشی، نرخ یادگیری 05/0، دورهاي آموزشي 8000 تنظیم شده است.
جدول 4- نمایش گام سوم تعداد آزمايش ها، عناصر پردازشي و تعداد لايه پنهان
تعداد دوره های آموزشی: 8000 و تعداد لایه پنهان: 1 و 2 ، تعداد عناصر پردازشی: 3 | |||||
آزمایش | نرخ یادگیری | مجموعه داده | MSE | RMSE | R2 |
1 | 1 | آموزش | 427716 | 477 | %99.8 |
آزمایش | 467856 | 408 | %97.1 | ||
2 | 2 | آموزش | 427716 | 635 | %99.6 |
آزمایش | 467856 | 563 | %93.3 |
همان طوريكه جدول4 نشان ميدهد کمترین RMSE که برابر 408 است، در مدل با یک لايه پنهان رخ میدهد. نتایج حاصل از بررسی مدل شبکه عصبی با پارامترهاي زير بوده است.
جدول 5- پارامترهای شبکه عصبی مصنوعی طراحی شده
تعداد داده ها | 6000 داده |
داده های آموزشی | 4800 داده |
داده های ارزیابی | 900 داده |
تابع انتقال | سیگموئید |
تعداد عناصر پردازشی | 3 |
نرخ یادگیری | 0.05 |
تعداد لایه پنهان | 1 لایه |
دوره های آموزشی | 8000 دوره |
97 |
نمودار شماره 4 و جدول 6 نتايج مدل شبكه عصبي پس انتشار خطا داراي بهترين عملكرد را كه با پارامترهاي فوق الذكر بدست آمده را نشان ميدهد .
نمودار 4- پلات مقايسه شاخص كل واقعي و پيش بيني ازسال 1369 تا 1399
جدول 6- مقايسه شاخص كل واقعي و پيش بيني ازسال 1369 تا 1399
تعداد عناصر پردازشی: 3، نرخ یادگیری: 0.05 و تعداد لایه پنهان: 1 | |||
R2 | RMSE | پيش بيني شده براي دوره هاي بعدي ( ماه) | رديف |
981/0 | 489 | 1275685 | 1 |
934/0 | 552 | 1285613 | 2 |
944/0 | 509 | 1290080 | 3 |
929/0 | 688 | 1323687 | 4 |
942/0 | 571 | 1325001 | 5 |
937/0 | 609 | 1329964 | 6 |
تفاوت داده های واقعی و داده های پیش بینی شده توسط مدل طراحی شده
جهت نشان تفاوت بين داده هاي واقعي با داده هاي پيش بيني از آزمونهاي تی زوجي و همبستگي استفاده ميشود.
98 |
با توجه به اينكه سطح معني داري بيشتر از 05/0 ميباشد (109/0) لذا فرض H0 پذيرفته ميشود بدين معني كه بين مقادير پيش بيني و مقادير واقعي اختلاف و تفاوت معني داري وجود ندارد به عبارت ديگر مقادير پيش بيني در راستاي مقادير واقعي ميباشند كه دقت آن نيز در سوال شماره يك مورد تاييد واقع گرديده است. همچنين طبق نتايج آزمون همبستگي پيرسون بين داده هاي واقعي و داده هاي پيش بيني همبستگي بالاي وجود دارد (992/0) و سطح معني داري (000/0) نيز نشان ميدهد بين داده هاي واقعي و داده هاي پيش بيني همبستگي معني داري وجود دارد .
Paired Samples Correlations | ||||
---|---|---|---|---|
|
| N | Correlation | Sig. |
Pair 1 | forcast & real | 31 | .992 | .000 |
نمودار 5- تفاوت داده های واقعی و پیش بینی شده توسط مدل ارائه شده
99 |
از مدل شبکههای عصبی مصنوعی میتوان به عنوان یک آزمون برای یافتن فرآیند غیرخطی پویا، از جمله فرآیـند آشوبناک، در دادهها استفاده کرد. مدل های شبکههای عصبی مصنوعی مدل های غیرخطی انعطافپذیری هستند که قادرند برآورد و پیشبینی سریهای زمانی غیرخطی پیچیده را با دقت قابل قبولی انجام دهند. مدل های شبکه عصبی اغلب شامل سه لایه ورودی، میانی و خروجی هستند. دادههای ورودی به دو صورت مستقیم و یا غیرمستقیم از طریق توابع انتقالی در بخش میانی به لایه خروجی مرتبط میشوند. ارتباط مستقیم بخش خطی و ارتباط از طریق لایه میانی، بخش غیرخطی مدل را مشخص میکنند. آزمونهایی در ادبیات بررسی پیشبینی پذیری و غیرخطی بودن سریهای زمانی مطرح شدهاند که عبارتاند از: آزمون کینن، تسای و بازچینی رمزی، آزمون دو طیفی های نیچ، آزمون ديکي فولر كه در اينجا به جهت بالا بودن دقت آزمون ديكي فولر، از آن براي نشان دادن خطي بودن و غير خطي بودن داده ها استفاده شده است. آزمون دیکی فولر یکی از پرکاربردترین آزمون ها برای بررسی مانایی است در کارهای تجربی بر این فرض استوار است که متغیرهای سری زمانی مورد استفاده مانا هستند اولین قدم در راستای تعیین مانایی یک متغیر، مشاهده نمودار سری زمانی آن متغیر است تشخیص وجود روند تصادفی در یک سری زمانی به سادگی از طریق آزمون ریشه واحد امکانپذیر است.
نتایج جدول 7 نشان میدهد که در سطح معنیداری 1درصد، 5 درصد و 10 درصد در سطح آماره دیکی فولر برای رشد شاخص قیمت سهام بورس تهران به صورت قدر مطلق بزرگتر از مقادیر بحرانی بوده و مانا میباشد، بنابراین فرضیه H0 مبنی بر وجود ریشه واحد رد میشود. نتایج آزمونها حاکی از آن بود که فرآیند شاخص قیمت سهام در بازار بورس تهران در بازه زمانی 1369تا 1399 محصول یک فرآیند غیرخطی پویای معین است و قابلیت پیشبینی را در کوتاه مدت دارد. بعد از انجام آزمونها و تأیید مبنی بر اینکه شاخص قیمت سهام غیرتصادفی بوده و دارای ساختار غیرخطی است و وجود آشوب در این سری مورد تأیید قرار گرفت زيرا قدر مطلق آماره آزمون بزرگتر از مقادير بحراني است و به منظور پیشبینی شاخص قیمت سهام در دورههای آتی، از مدل شبكه هاي عصبي استفاده گرديد.
جدول 7- نتایج آزمون ریشه واحد جهت نشان دادن غیر خطی بودن سری زمانی شاخص بورس
متغیر مورد بررسی | آماره آزمون DFT | مقادیر بحرانی مک کنیون | سطح معنی دار بودن |
شاخص قیمت سهام | 16.35 - | 3.24 - | 1% |
ارزیابی مدل پیشنهادی
100 |
نمودار 6- تابع خطا
شکل 3- خروجی نرم افزاری مدل طراحی شده و عملکرد پیش بینی
|
همچنين نحوه قضاوت در مورد صحت پيش بيني به شرح جدول زير خواهد بود .
101 |
MAPE | قضاوت در مورد عملکرد پیش بینی |
كمتر از 1 درصد | دقت زياد |
بين 1/1 تا 2 درصد | پيش بيني خوب |
بين 1/2 تا 5 درصد | پيش بيني قابل دفاع |
بيشتر از 5 درصد | پيش بيني غير دقيق |
تفاوت نتايج پيش بيني ها با داده هاي واقعي نشان داد که مدل ارائه شده قادر است شاخص كل سهام را با 98/1 درصد پیش بینی نماید و در پايان با محاسبات آماري غيرخطي بودن شاخص قیمت بورس اوراق بهادار تهران مورد تاييد واقع شد و همچنین ارزيابي مدل با استفاده از توابع خطا بصورت شماتیک نیز ارائه گردید.
نتیجه گیری
102 |
دارد،که نشان دهنده ی قدرت پیش بینی فوق العاده بالایی
است.
پیشنهادات کاربردی
به پژوهشگران آتی توصیه می شود این تحقیق را در محیط فازی ادامه داده و نتايج شبکه های عصبی مصنوعی فازی را با غير فازي مقايسه نمايند. همچنین برای بررسی درستی بیشتر نتایج این پژوهش می توان یک تحقیق مقایسه ای در مورد استفاده از الگوریتم ژنتيك در مقایسه با شبکه عصبی مصنوعی انجام داد تا قضاوت دقیق تری در مورد بهترین روش پیش بینی شاخص كل سهام اظهار نظر كرد، با توجه به بالا بودن واريانس و انحراف معيار داده ها در طول سي و يك سال گذشته در شاخص كل بازار سرمايه و طبق نظريه آشوب، چنانچه داده ها از يك سيستم ديناميك غيرخطي آشوبناك بدست آمده باشند، امكان مدلسازي و پيش بيني دقيق اما كوتاه مدت از رفتار آتي سيستم وجود خواهد داشت چرا كه در واقع رفتار بي قاعده يك سيستم آشوبناك، از ويژگي غيرخطي بودن آن نتيجه مي شود. در صورت اثبات آشوبناك بودن سيستم مولد دادهها، شايد استفاده از مدلهاي ديناميك غيرخطي بتوانند براي پيش بيني با دقت بالا مورد استفاده قرار گيرند انجام اين تحقيق و مقايسه نتايج آن از توصيه هاي محقق به ساير همكاران ميباشد.
103 |
1- حسن قلی پور، طهمورث، میری، سید مهدی (1398) کاربردهای شبکه های عصبی مصنوعی در مدیریت و بازاریابی (مطالعه موردی: گروه بندی مشتریان بانک کشاورزی)، دوماهنامه علمی پژوهشی دانشور رفتار، دانشگاه شاهد، سال هفدهم، شماره 41
2- سلمانپور، علی، شکرزاده، مرتضی (1398). "پیش بینی قیمت نفت با استفاده از شبکه عصبی فازی، طرح پژوهشی"، دانشگاه آزاد مرند.
3- سلیمانی امیری، غلامرضا، (1392). ارزیابی کارایی الگوهای پیش بینی مالی برای شرکت های ایرانی، دانش حسابداری. دوره 1، شماره 2، ص ص 139-158.
4- صیادی، امید، (1397). " آشنايي مقدماتي با شبكه هاي عصبي مصنوعي"، دانشگاه صنعتی شریف.
5- مکیان، سید نظام الدین، کریمی تکلو، سلیم (1388). پیش بینی ورشکستگی شرکت های تولیدی با استفاده از شبکه های عصبی مصنوعی، فصلنامه اقتصادی مقداری (بررسی های اقتصادی سابق)، بهار 88 ، دوره 6 ، شماره 1 ، ص ص 129-144
6- كميجاني، اكبر، سعادت فر، جواد (1385). "كاربرد مدلهاي شبكه عصبي در پيش بيني ورشكستگي اقتصادي شركتهاي بازار بورس" نشریه جستارهای اقتصادی، شماره 6.
7- اصغری اسکوئی، محمدرضا(1391). "شبکه های عصبی و کاربرد آنها، گروه آمار، ریاضی و کامپیوتر، دانشگاه صنعتي شريف
8- خاكي صديق، علي،كارلوكس و حميد خالوزاد، (1392). "آيا قيمت سهام در بازار بـورس سـهام قابل پيش بيني است؟" نگرش جديد به رفتار قيمت سهام و قابليت پيش بيني در بـازار بـورس تهران، مجله تحقيقات اقتصادي شماره 53 ،دانشكده اقتصاد، دانشكده تهران
9- قديمي، محمدرضا و سعيد مشيري، (1381). مدلسازي و پيش بيني رشداقتصـادي در ايـران بـا استفاده از شبكه هاي عصبي مصنوعي، مجموعه مقاله هـاي اولـين همـايش معرفـي و كـاربرد مدلهاي ناخطي، دانشكده اقتصاد، دانشكده تهران
11- شیری دایلاق، بهزاد، (1394). پیش بینی ریسک تقلب در صورتهای مالی با استفاده از شبکه عصبی مصنوعی، پایان نامه کارشناسی ارشد، دانشگاه آزاد واحد علوم و تحقیقات آذربایجانغربی
12- ظهری، مریم، محمدعلی، افشار کاظمی (1391). طراحی مدل پیش بینی ورشکستگی شرکت ها به وسیله شبکه های عصبی فازی (مطالعه موردی شرکت های بورس اوراق بهادار تهران). مجله مهندسی مالی و مدیریت اوراق بهادار. شماره سیزدهم، زمستان 1391
13- عرب مازار، محمد، اکبری شهمیرزادی، مهدیه(1397). پیش بینی ورشکستگی شرکتها با ااستفاده از شبکه های عصبی مصنوعی، فصلنامه سیستم های اطلاعاتی و فناوری.
14- كاظمي راد، زهرا، پاپ زن، عبدالحميد (1392). "پيش بيني ميزان موفقيت کارآفرينان روستايي شهرستان کرمانشاه با استفاده از تحليل شبکه عصبي مصنوعی (ANN)" نشریه برنامه ریزی منطقه ای، شماره1.
15- وکیلی فرد، حمیدرضا، پیله وری، نازنین، زیدی، سیده سمانه (1393). ارئه مدلی جهت پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق پذیر (ANFIS) . مجله مهندسی مالی و مدیریت اوراق بهادار ، شماره هجدهم، بهار 1393.
16- آذر، عادل و رجب زاده، علي (1394). ارزيابي روش هاي پيش بيني تركيبي، با رويكردهاي شبكه هاي عصبي، مجله تحقيقات اقتصادي، شماره 73، ص 114
17- مونتگمري، دوگلاس سی و لینوود آ جانسون و جان اس. گ.اردینر (2010). تجزيه و تحلیل سريهاي زمانی. ترجمه محمد تقی فاطمی قمی. تهران موسسه انتشارات امير كبير
18- عرب مازار، عباس، حميدي، سعيده و ميررستم اسدلله زاده بالي و الهام غلامي و آيت زاير(1394). برآورد ظرفيت مالياتي، دفتر مطالعات و تحقيقات مالياتي، سازمان امور مالياتي كشور
19- راعي، رضا و كاظم چاوشي، پيش بيني بازده سهام در بورس اوراق بهادار تهـران(1383). مـدل شـبكه هاي عصبي مصنوعي و مدل چندعاملي، مجلـه تحقيقـات مـالي دانشـكده مـديريت، دانشگاه تهران، سال پنجم، شماره ،15بهار و تابستان
20- پورطاهري، مهدی، بخشي، محمدرضا، ركن الدين افتخاري، عبدالرضا، رحيمي سوره، صمد (1391). "ارائه الگوي تعيين موفقيت طرح هاي سرمايه گذاري کشاورزي، کاربرد شبکه عصبي چندلايه پرسپترون" نشریه پژوهش های روستایی، شماره3.
21- Lee, C.J. & T.K. Hsiuung, 2019, Sensivity Analysis on Multilayer Perceptron Model For Recognizing Liquefaction Cases, computers and Geotechnics, No. 36, PP. 1157-1163.
22- Tang, T. C., Chi, 2015, Neural Networks analysis in Business Failure Prediction of Chinese Importers: A Between-Countries Approach, Expert systems with Applications, No. 29.PP.244-255.
23- Beale, M.H., M.T Hagan, H.B Demuth,2020, Neural Network Toolbox 7 user’s Guide, Revised for Version 7.0 (Release 2020b)
24- Anandarajan, M., P. Lee, Anandarajan, 2019, Bankruptcy Predction of Financially Stressed Firms: An Examination Of predictive Accuracy Of Artificial Neural Networks, International Journal of Intelligent Systems in Accounting, Finance and Management, No 10.69-81.
25- Jiang, G., Lee, C.M.C., Yue, H, (2012), “Tunneling Through Intercorporate Loans: The China Experience”. Journal of Financial Economics, 98(3), PP. 1-20
26- Chang, C., H. Hwang, H. Liaw, M. Hung, S. Chen, D. Yen, 2011, A Neural Network Evaluation Model for ERP Performance from SCM Perspective to
104 |
27- Schwrtz, S., 2019. Investment Criteria of Venture Capital Componies and the Role of Governments.
28- Lawrenc, A., M.B. Kasiri, 2019, Review Modeling of Biological Water and Wastewater Treatment Processes Using Artificial Neural, Clean-Soil, Air, Water, 39 (8), PP. 742- 749.
29- Anderson, An-S. and Mark T.Leung (2014), “Regression Neural Network for error Correction in Foreign Exchange Forecasting and Trading”, Elsevier, pp.1049-1068
30- Boyacioglu, M., Y Kara, O.Baykaan, 2019, Predicting Bank Financial Failures Using Neural Networks, Support Vector Machines and Multivariate Statistical Methods: A Comparative Analysis in the Sample of Saving Deposit Insurance Fund (sdif) Transferred Banks in turkey, Expert systems with Applications, No. 44,PP.262-273.
31- Brouthers, L., S. Mukhopadhyay, T. Wlkinson, K. Brouthers, 2009, International Market Selection and Subsidiary Performance: A neural Network Appeoach, Journal of World Business, No. 44, PP.262-273.
32- Flix J , L. & Ivan , P.(2018) , Bankruptcy visulation and prediction using Neural Networks : a study of U.S commercial banks , International journals of Expert Systems with application , pp 11-25.
33- Guo, D. & Jiang, K., 2013. Venture capital investment and the performance of entrepreneurial firms: Evidence from China. Journal of Corporate Finance, Volume 22, p. 375–395.
34- IBM, 2011, Training (Multilayer Perceptron), available: http://publib. Boulder. ibm.com.
35- Keyvanpour, M., M. Javideh, M. Ebrahimi, 2016, Detecting and Investigating Crime Matching Framework, Procedia Computer science, No.3, PP. 872-880.
36- Khataee, A., M.B. Kasiri, 2018, Review Modeling of Biological Water and Wastewater Treatment Processes Using Artificial Neural, Clean-Soil, Air, Water, 39 (8), PP. 742- 749.
37- Anderson, D.& T. Martinez, 2018, The General Inefficiency of Batch Training for Gradient Descent Learning, Neureal Networks, No.16,PP.1429 – 1451.
38- Fischer, M., and P.staufer )1999(, Optimization in an Error Backpropagation Neural Network Environment with a Performance Test on a Spectral Pattern Classijcation Problem, Geographical Analysis, vol.31, no.2, PP. 89-108.
39- Kayvanpour, E; Mahmoodi, A, 2017. Investigating the Effect of Special Free Zones on Reducing Smuggling Goods in Customs of Western Azerbaijan Province. International Journal of Applied Business and Economic Research, Volume 15, No 4 – 2017.
40- Youn, H., Z. Gu, 2010, Precting Korean Lodging Firm Failures: An Artificial Neural Network Model Along with a Logistic Regression Model, International Journal of Hospitality Managrement, No, 29,PP. 120-127.
41- Hunter, A., L. Kennedy, J.Henry, I. Ferguson, 2019, Application of neural Networks and Sensitivity Analysis to Improved Prediction of Trauma Survival, Computer Methods and Programs in Biomedicine, No 62, PP. 11-19.
42- Keyvanpour, M., M. Javideh, M. Ebrahimi, 2016, Detecting and Investigating Crime Matching Framework, Procedia Computer science, No.3, PP. 872-880.
43- Artificial Neural, Clean-Soil, Air, Water, 39 (8), PP. 742- 749.
44- Boyacioglu, M., Y Kara, O.Baykaan, 2019, Predicting Bank Financial Failures Using Neural Networks, Support Vector Machines and Multivariate Statistical Methods: A Comparative Analysis in the Sample of Saving Deposit Insurance Fund (sdif) Transferred Banks in turkey, Expert systems with Applications, No. 44,PP.262-273.
45- Nakama. C., Chi, 2019, Neural Networks analysis in Business Failure Prediction of Chinese Importers: A Between-Countries Approach, Expert systems with Applications, No. 29.PP.244-255.
105 |
Designing a Model for Using Artificial Neural Networks to Predict Nonlinear time Series (Case study: Tehran Stock Exchange Index)
Abstract
Introduction: Forecasting the total stock index is a challenging task, due to the complexity of stock market variables and the lack of problem management in critical times, it is very difficult to develop an efficient model for forecasting the total stock index. Relatively accurate prediction of index movement is very important and vital for capital market investors. One of the important tools used for investment decisions is forecasting techniques, which are an integral part of the decision-making and control process. On the other hand, forecast accuracy has a direct relationship with decision risk. This means that the more accurate the forecast, the lower the loss or risk from decision-making under uncertainty. One of the well-known and new methods for predicting the total stock index is the method of using artificial neural networks. Purpose: The main purpose of this research is to present the optimal model of using artificial neural networks to predict non-linear time series (case study: Tehran Stock Exchange Index) and this research is practical in terms of purpose. Research method: In terms of research method, it is descriptive based on survey and in terms of review method, analytical-mathematical. The statistical population of this research is the index of the entire Tehran Stock Exchange from 1369 to 1399, and in this research, the measurement tools and variables are the documents and statistics of the Tehran Stock Exchange, and the data analysis in this research is based on statistical methods. Descriptive and inferential statistics as well as artificial neural networks have been used. Perceptron layer is used. Findings: The results of this research confirm the high accuracy of predicting the total index of Tehran Stock Exchange compared to other estimation methods using the presented model, which has the ability to predict the total index with an error of 1.4%. Conclusion: Confirming that the Tehran Stock Exchange index follows a non-linear process is considered one of the main and important results of this research, and at the end, practical suggestions for users and researchers in future researches are presented.
Keywords: Total Stock Index, Prediction, Artificial Neural Network, Tehran Stock Exchange