پایان نامه پیش بینی بورس با داده کاوی

این فایل با تخفیف ویژه به مبلغ 75,000 تومان می‌باشد که بلافاصه بعد از پرداخت میتوانید آن را دانلود کنید. تعداد صفحات پایان نامه پیش بینی بورس با داده کاوی 173 صفحه است. همچنین این فایل با فرمت docx قابل اجرا می‌باشد. برای خرید و دانلود روی دکمه زیر کلیک کنید.

تخفیف ویژه به مدت محدود فقط تا فردا شنبه 1 آذر

98 هزار تومان 75 هزار تومان

پشتیبانی: 09374433704

پایان نامه پیش بینی بورس با داده کاوی با عنوان پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه عصبی می باشد

پایان نامه پیش بینی بورس با داده کاوی با عنوان پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه عصبی می باشد

در فصل اول، به تعریف و تبیین اهمیت پیش بینی دقیق در جهت کاهش ریسک سرمایه گذاری در بورس اوراق بهادار پرداخته شد.

در فصل دوم، امکان پذیر بودن پیش بینی بازار سهام و نظریه کارایی بازار سرمایه فاما، به نقد و تحلیل گذاشته شده و به این نتیجه رسیده شد که باید بازار واقعی را ترکیبی از کارا و ناکارا در نظر گرفته و لذا بازار واقعی را پیش بینی پذیر انگاشت. در ادامه به توضیحات کلی در مورد ابزار تحقیق از جمله داده کاوی، شبکه عصبی و تحلیل تکنیکال پرداخته شده و پژوهش های پیشین مورد بررسی قرار گرفتند. در حین مرور این پژوهش ها به بکر بودن حوزه داده کاوی سری زمانی در پیش بینی سری قیمت های سهام در بازار بورس اوراق بهادار و ناکارآمد بودن مدل های ساخته و معرفی شده برای پیش بینی قیمت یک دوره جلوتر، تاکنون اشاره شد.

در فصل سوم با بیان این مسئله که هم تحلیل تکنیکال و هم پیش بینی با استفاده از متدهای کلاسیک سری زمانی، توانایی بالایی در پیش بینی قیمت و رفتار سهام در آینده را دارند؛ مدلی ساخته شد که طی آن هر دو این مدل ها در قالب یک شبکه عصبی گسترده برای پیش بینی قیمت سهام به کار گرفته شدند. برای این مهم، در ابتدا سه پایگاه داده برای پیش بینی قیمت سه سهم بانک پارسیان، فولاد مبارکه اصفهان و صنایع شیمیایی فارس ساخته شده و اطلاعات مورد نیاز تشکیل شدند.

در فصل چهارم بر طبق متدهای پیش پردازش داده کاوی به کاهش سطری و ستونی پایگاه های داده پرداخته شده و سپس به داده کاوی سری های زمانی و شناسایی شبیه ترین سری های زمانی به سری زمانی هدف در هر پایگاه داده اقدام شد. در نهایت، معیارهای باقی مانده در پایگاه های داده به عنوان ورودی های شبکه عصبی با یک لایه پنهان وارد شده و الگورتیم BPNN برای یادگیری شبکه انتخاب شد. نتایج به دست آمده از شبکه ساخته شده با نتایج پیش بینی به روش های رگرسیون چند متغیره و سری زمانی مقایسه شده و دو معیار MSE و MAD مورد بررسی قرار گرفتند. کارکرد شبکه عصبی در پیش بینی قیمت در هر سه پایگاه داده و هر دو معیار به خوبی قابل مشاهده بود.

در خر نیز به نتیجه گیری و پیشنهادات پرداخته ایم.

فهرست مطالب
فصل اول : کلیات تحقیق    1
1-1- مقدمه    2
1-2- نظریه کارایی بازار سرمایه    3
1-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی    6
1-4- پژوهش‌های مشابه    11
1-5- ضرورت انجام تحقیق و اهمیت تحقیق    16
1-6- اهداف تحقیق    17
1-7- ساختار تحقیق    17

فصل دوم : ادبیات تحقیق    18
2-1- مقدمه    19
2-1-1- تحلیل تکنیکی    21
2-1-2- تحلیل بنیادین    21
2-1-3- تحلیل توسط مدل‌های علمی    22
2-2- آیا بازار سرمایه پیش بینی پذیر است؟    26
2-2-1- نظریه کارایی بازار سرمایه    26
2-2-2- فروض نظریه کارایی بازار    33
2-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه    35
2-2-4- پاسخ نظریه کارا    36
2-2-5- نتیجه گیری    37
2-3- داده کاوی    39
2-3-1- مقدمه    39
2-3-2- مفهوم داده کاوي    41
2-3-4- اهداف داده کاوی    43
2-3-5- داده کاوي و رابطه آن با علم آمار    49
2-4- شبکه عصبی    51
2-4-1- معرفی:    51
2-4-2- کاربرد شبکه های عصبی    52
2-4-3- تعریف پایه شبکه های عصبی    52
2-4-4- ویژگی های شبکه عصبی    55
2-5- تحلیل تکنیکال    68
2-5-1- مقدمه:    68
2-5-2- اندیکاتورهای تحلیل تکنیکال    70
2-6- مرور پژوهش های مشابه    73

2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام    73

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام    81

2-6-3- کاربرد داده کاوی در بازار سهام    88

2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام    90

فصل سوم : روش تحقیق    94
3-1- مقدمه    95
3-2- جمع آوری داده ها    99
3-3- پیش پردازش داده ها    99
3-3-1- کاهش سطری داده ها    100
3-3-2- ساخت اطلاعات مورد نیاز    102
3-3-3- انتخاب داده ها و کاهش ستونی    108
3-4- طراحی شبکه عصبی برای پیش بینی قیمت سهم    111
3-4-1- ساختار شبکه    111
3-4-2- الگوریتم یادگیری    113
3-4-3- توابع فعال سازی    114
3-5- مدل های رقیب و معیارهای سنجش    114
3-6- جمع بندی    115

فصل چهارم : نتایج عددی    116
4-1- مقدمه    117
4-2- جمع آوری داده ها و تشکیل پایگاه داده    117
4-3- پیش پردازش داده ها    118
4-3-1- کاهش سطری داده ها    118
4-3-2- ساخت اطلاعات مورد نیاز    121
4-3-3- انتخاب داده ها و کاهش ستونی پایگاه داده    128
4-4- طراحی شبکه عصبی    134
4-5- اجرای شبکه عصبی و مقایسه نتایج    135
4-6- جمع بندی    141

فصل پنجم : نتیجه گیری    142
5-1- مقدمه    143
5-2- جمع بندی تحقیق    143
5-3- نتایج و نوآوری های تحقیق    144
5-4- پیشنهادات برای تحقیقات آتی    145

     
فهرست جدول ها
جدول 2-1 : توابع فعالسازی نرون های مختلف در شبکه های عصبی    49
جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال    61
جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول    62
جدول 3-1 : صنایع و شرکت های انتخاب شده جهت انجام پژوهش    85
جدول 3-2 : اندیکاتورهای به کار رفته در پژوهش    89
جدول 4-1 : تغییرات تعداد رکوردهای پایگاه های ساخته شدن پس از حذف داده های مغشوش    102
جدول 4-2 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های پرت    103
جدول 4-3 : سری های زمانی ساخته شده توسط اندیکاتورهای تحلیل تکنیکال    104
جدول 4-4 : بهترین LAG شرکت های حاضر در صنعت بانک و مؤسسات مالی با بانک پارسیان    105
جدول 4-5 : بهترین LAG شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس    106
جدول 4-5 : بهترین LAG شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس : ادامه جدول    107
جدول 4-6 : بهترین LAG شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان    107
جدول 4-6 : بهترین LAG شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان : ادامه جدول    108
جدول 4-7 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های مغشوش اندیکاتورها    109
جدول 4-8 : اندیکاتورهای انتخاب شده توسط روش رگرسیون پله ای برای ورود به شبکه عصبی    110
جدول 4-9 : دسته بندی اندیکاتورهای مشابه    111
جدول 4-10 : اندیکاتورهای انتخاب شده از دسته ها برای ورود به شبکه عصبی    111
جدول 4-11 : داده های تخصیص داده شده به شبکه عصبی در هر پایگاه    116
جدول 4-12 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام بانک پارسیان    120
جدول 4-13 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام صنایع شیمیای فارس    120
جدول 4-14 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام فولاد مبارکه اصفهان    121

فهرست شکل ها
شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه    21
شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي    45
شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند.    45
شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد)    47
شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی    48
شکل 2-6 : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی    50
شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی)    51
شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی    52
شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی    53
شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر    54
شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال    56
شکل 3-1 : شمای کلی مراحل انجام تحقیق    84
شکل 3-1 : شباهت سری های سفید و سیاه با در نظر گرفتن LAG    92
شکل 4-1 : قیمت های بسته شدن سهام بانک پارسیان و بانک کارآفرین    113
شکل 4-2 : قیمت های بسته شدن سهام پتروشیمی خارک و صنایع شیمیایی فارس    114
شکل 4-3 : قیمت های بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان    115
شکل 4-4 : شبکه عصبی ساخته شده توسط نرم افزار متلب    116
شکل 4-5 : قیمت های پایین پیش بینی شده و واقعی برای سهام بانک پارسیان    117
شکل 4-6 : قیمت های بالای پیشش بینی شده و واقعی برای سهام بانک پارسیان    117
شکل 4-7 : قیمت های پایین پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس    118
شکل 4-8 : قیمت های بالای پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس    118
شکل 4-9 : قیمت های پایین پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان    119
شکل 4-10 : قیمت های بالای پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان    119