وبلاگ

ترکیب
شده
شکل ۲-۱: سیستم فرض مشتمل بر چند سری زمانی ورودی و یک سری زمانی خروجی
و … سری های زمانی هستند که فرض می شود بر یکدیگر اثر متقابلی ندارند و به نوعی در تغییرات سری زمانی خروجی سیستم موثرند. بنابراین از ترکیب مقادیر این سری در زمان های مختلف، میزان مقدار سری خروجی را در هر لحظه دلخواه t تخمین زد. ترکیب کننده ای هم در درون سیستم مفروض است که انتقال از مقادیر ورودی و خروجی را انجام می دهد که به آن تابع انتقال می گویند.

در صورتیکه عوامل موثر بر ایجاد سری زمانی خروجی را نشناسیم و یا اگر عوامل معلومند ولی داده های آنها موجود نباشد، برای مدل بندی سیستم، سری زمانی فرضی را که برایند همه عوامل موثر بر ساخت سری زمانی ورودی است جایگزین این عوامل می کنیم.
۲-۲-۸-۴: روش های هوشمند
این روشها از یادگیری استقرایی استفاده می کنند. همه این روشها از یک مجموعه داده برای ایجاد تقریب تابع مولد آنها بهره می گیرند. این روشها شامل سه گروه اصلی می­باشند:

• • روش های بر اساس شبکه های عصبی (NNs)

• • روش های فازی

• • روش های مبتنی بر محاسبات تکاملی

روش های مبتنی بر محاسبات تکاملی به سه گروه اصلی تقسیم می شوند که عبارتند از:

• • الگوریتم های ژنتیک (GAs)

• • برنامه ریزی تکاملی (EP)

• • برنامه ریزی ژنتیک (GP)

لازم به ذکر است که از برنامه ریزی ژنتیک، شبکه های عصبی و برنامه ریزی تکاملی برای ساخت مدل های پیش بینی غیر خطی استفاده می کنند؛ در حالی که الگوریتم ژنتیک را برای میزان کردن پارامترهای بعضی مدل های پیش بینی خطی، غیر خطی و آماری بکار می برند.(واگنر^[۵۶] و همکاران،۲۰۰۶)
۲-۲-۸-۵:جمع بندی روش­های پیش بینی
همانطور که قبلا تعریف شد؛ سری زمانی مجموعه ­ای از مشاهدات است که بر حسب زمان مرتب شده ­اند(فاطمی،۱۳۷۵) و پیش ­بینی بارزترین مورد استفاده از سری­های زمانی می­باشد، بطوریکه در صنعت و اقتصاد از اهمیت زیادی برخوردار است.
در مدل­های علی و معلولی از رابطه بین سری زمانی مورد نظر و یک یا چند سری زمانی دیگر بهره می­جویند. اگر این متغیرهای اخیر با متغیر مورد نظر دارای همبستگی باشند و برای این همبستگی ظاهرا علتی وجود داشته باشد، می توان یک مدل آماری که توصیف کننده این رابطه باشد، بنا کرد سپس با دانستن مقادیر متغیرهایی که به یکدیگر همبسته­ شده ­اند، می توان از مدل استفاده تا متغیر غیر مستقل را پیش ­بینی کرد. یک محدودیت آشکار برای استفاده از مدل­های علت و معلولی نیاز به این امر است که متغیرهای مستقل در زمانی که پیش بینی به عمل می ­آید معلوم باشند. یکی از مناسبترین روش­های سری زمانی استفاده شده مدل ARIMA می­باشد، در حال حاضر در این مدل روش مناسبی وجود ندارد که به محض اینکه مشاهده­ جدیدی در دسترس قرار گرفت، تخمین پارامترهای مدل را اصلاح یا به روز نماید و پژوهشگر ناگزیر است بطور کامل مدل را برازش نماید. و همچنین ما باید فرض نماییم که تکامل آینده سری زمانی با گذشته یکسان خواهد بود، یعنی شکل مدل با زمان تغییر نخواهد نمود. عدم امتیاز نهایی مدل­های ARIMA سرمایه ­گذاری مورد نیاز در زمان یا سایر منابع برای ساختن یک مدل رضایت بخش است، ولی این مدل­ها بخصوص برای سری­های زمانی ای که در فاصله­ی نمونه گیری خیلی کوچکند، بدیل اینکه تاریخ نسبتا طولانی یی را به آسانی می­توان تهیه کرد به نحو شایسته­ای مناسبند.(فاطمی،۱۳۷۵)
شبکه ­های عصبی مصنوعی در واقع یک سیستم داده ÷ردازی اطلاعات هستند و دارای خصوصیات اجرایی خاص مانند شبکه ­های عصبی جانوری است. همچنین این روش­ها از جمله مدل­های تابع انتقال بوده که کاربرد وسیعی پیدا کرده ­اند، این مدل­ها بطور طبیعی از زمینه­هایی ناشی می­شوند که یک ساختار همبسته کننده یا ساختار علی بین متغیرهایی که بطور موقت یا بطور مداوم با هم مرتبط بوده ­اند، وجود دارد. مدل­های تابع انتقال فرض می­ کنند که ورودی متغیر را تحت تاثیر قرار می­ دهند؛ اما این رابطه تک سویی است، یعنی روی تاثیری ندارد. این موضوع می ­تواند در عمل غیر واقعی باشد.(مصطفی کیا،۱۳۸۸)
روش­های تحلیل رگرسیون اماری غیر خطی شبیه شبکه ­های عصبی است. تجربه ­های زیادی موجب شده است که روش­های نگاشت توسط شبکه ­های عصبی با بهترین روش­های رگرسیون غیر خطی قابل مقایسه باشند. روش­های شبکه عصبی نسبت به روش­های رگرسیون خطی برای فضاهایی با ابعاد بالا ارجحیت دارد.
مهمترین امتیاز شبکه ­های عصبی جهت نگاشت نسبت به روش­های رگرسیون آماری کلاسیک این است که شبکه ­های عصبی شکل تابعی عمومی تری را نسبت به روش­های آماری کلاسیک دارند بعنوان مثال در تحلیل­های فوریه نمونه­های یادگیری به شکل امواج سینوسی و بصورت مضاربی صحیحی از فرکانس، برای محاسبه یک تابع بکار می­روند. در محاسبات عصبی شبکه ­های عصبی نمونه­های یادگیری را جهت تنظیم دقیق دامنه، فاز و فرکانس بکار می­برد و موجب افزایش چشمگیر دقت تابع می شود. شبکه ­های عصبی از جمع آثار خطی پیروی نکرده و همچنین انحصارا از توابع متعامد استفاده نمی کنند. در تحلیل های رگرسیونی آماری توابع خطی برازشی می توانند توابعی غیر خطی از اطلاعات ورودی باشند ولی تنها از توابع خطی نسبت به پارامترها استفاده می­گردد. در رگرسیون آماری غیر خطی توابع برازش می توانند هم نسبت به اطلاعات ورودی و هم نسبت به پارامترها غیر خطی باشد.(خالوزاده،۱۳۷۷)
شبکه ­های عصبی مصنوعی اصلا می ­تواند بعنوان یک روش رگرسیون غیر خطی بکار رود. تفاوت اساسی دیگر بین شبکه ­های عصبی و رگرسیون در این است که معمولا در تحلیل­های آماری ساختار داخلی شبکه ­های عصبی ناشناخته باقی می­ماند، یعنی ساختار داخلی آن نامعلوم باقی می­ماند و مانند یک جعبه سیاه ممتد عمل می­ کند، ولی نتایج آن در بسیاری از موارد مفید می­باشد. ساختارهای شبکه های عصبی معمولا موقتی است وای راهنمائی­هایی برای برازش با یک مدل آماری می ­تواند ارائه نمایند.(هاپتوف^[۵۷]،۱۹۹۳ و تانگ^[۵۸]،۱۹۹۱)
لذا بسیاری از شبکه های عصبی از نظر عملکرد معادل رویه­های استاندارد آماری هستند به عنوان مثال شبکه ­های پروسپترون تعمیمی از مدل­های خطی هستند.(مصطفی کیا،۱۳۸۸)
۲-۲-۹: شاخص قیمت سهام
شاخص بهای سهام در اقتصاد هر کشوری یکی از اساسی ترین متغیر های کلان اقتصادی است؛ به گونه ای که رشد متعادل و مداوم این شاخص به معنای رشد و رونق اقتصادی کشور استدو برعکس، کاهش مداوم آن نشان از رکود اقتصاد دارد و تغییرات انفجاری و پیوسته آن (در جهت بالا و پایین) گویای بی ثباتی شرایط اقتصادی جامعه است.
همانگونه که در هنگام خرید کالا نخستین پرسش از مغازه دار بهای کالاست، سرمایه گذار نیز هنگام خرید سهام، به یکی از نخستین نکاتی که توجه دارد، تغییرات بهای سهام است.
هر سرمایه گذاری در هنگام خرید سهام مهمترین مسئله ای را که در نظر می گیرد، تغییرات قیمت آن سهام می باشد. لذا لازم است که از نماینده ای جامع از عملکرد بازار به عنوان شاخص قیمت استفاده نماید. تغییرات قیمت هر سهم می ­تواند ناشی از دو عامل باشد، یکی شرایط ویژه ایست که بر قیمت آن سهم بخصوص تاثیر می گذارد، مثلا مدیریت بهینه و کارا در سازمان، افزایش سرمایه و سودآوری و … و دیگری عوامل تاثیر گذار بر کل بازار سهام می باشد، که این عامل به عنوان ریسک بازار شناخته می شود، تغییرات مداوم و ناهمگون شاخص نماینگر افزایش ریسک در بازار می باشد و می دانیم که سرمایه گذاران ترجیح می دهند در یک بازار آرام و مطمئن که سیر مشخصی دارد سرمایه گذاری کنند، زیرا عموما سرمایه گذاران ریسک گریز هستند و افزایش ریسک در بازار سرمایه موجب کاهش سرمایه گذاری در آن می شود.
ارزیابی یک سبد فرضی از کل سهام یک بازار مالی کار بسیار دشواری است، لذا نماینده ای به عنوان شاخص جهت آشکار سازی روند حرکت بازار، در اختیار سرمایه گذاران گذاشته شده است تا بتوانند با کمک آن در خرید سهام تصمیمات بهتری اتخاذ نمایند.
۲-۲-۱۰: تعریف شاخص
شاخص از لحاظ لغوی به معنای نماینده، نشان دهنده و نمودار می باشد، و وسیله ایست جهت تشخیص و یا تمایز بین دو متغیر، اما از لحاظ آماری کمیتی است که به صورت نسبی تغییرات را در گروه های مختلف بیان می کند.
شاخص بطور کاربردی به عنوان نماینده ای از بین کمیت های همگن می باشد و می تواند میزان و جهت تغییر این کمیت ها را بطور نسبی اندازه گیری کند، شاخص بر حسب مقدار آن در یک زمان پایه سنجیده می شود که این مقدار پایه را عموما ۱۰۰ فرض می کنند، بنابراین بر مبنای شاخص می توان تغییرات ایجاد شده در متغیرهای معینی را در یک دوره بررسی نمود.
۲-۲-۱۱: فواید شاخص
در یک نظام اقتصادی کارا می بایست اطلاعات مفید و هر چند مختصر و قابل اعتماد از کل حرکت بازار در اختیار سرمایه گذاران قرار بگیرد. از روی اعداد شاخص تغییرات احتمالی در آینده را می توان پیش بینی کرد.
شاخص ها ابزاری برای مقایسه کردن تغییرات یک پدیده در دو زمان متفاوت هستند و می توان تغییرات گروهی چند پدیده را با هم مقایسه نمود. با شاخص، قیمت های صنایع مختلف را با یکدیگر مقایسه کرد.
هر شاخصی محتوای اطلاعاتی از حوزه های مختلف و وسیع می باشد و لذا می تواند بازتاب خوبی از شرایط اقتصادی آن حوزه باشد و می توان از آن به عنوان نمادی برای پیش بینی عملکرد فعالیت های اقتصادی در آینده استفاده نمود.
۲-۲-۱۲: شاخص قیمت بورس تهران
شاخص قیمت سهام در بورس تهران از سال ۱۳۶۹ محاسبه شد و با نام اختصاری TEPIX که معرف TEhran Price IndeX می­باشد، که از همان سال در سطح بین المللی شناخته شد. این شاخص در آن زمان شامل ۵۲ شرکت بود که کل تعداد شرکت های پذیرفته شده در بورس در آن زمان بود.
این شاخص در واقع با بهره گرفتن از فرمول لاسپیز محاسبه می گردد و فرمول آن به این صورت می باشد که بر اساس ارزش جاری سهام منتشره محاسبه می شود و بر این اساس روند تغییرات ارزش جاری سهام را نشان می دهد:
(۲-۱) * Base Value Tepix =
که در آن:
t زمان محاسبه شاخص
قیمت سهام i ام در زمانt
قیمت سهام i ام در زمان پایه
تعداد سهام منتشره شرکت i ام در زمان t
تعداد سهام منتشره شرکت i ام در زمان پایه
Base Value عدد مبنا که مقدار آن ۱۰۰ می باشد.
به عبارت دیگر فرمول محاسبه شاخص قیمت تپیکس بصورت زیر می باشد:
(۲-۲) ۱۰۰ * TEPIX =
تاریخ مبنا اول فروردین ۱۳۶۹ در نظر گرفته شده است. همانطور که مشاهده می کنیم صورت کسر همان ارزش بازار در زمان جاری می باشد. این نکته را باید در نظر داشته باشیم که در زمان یعنی تاریخ مبنا عملا می باشد و در زمان پایه با بهره گرفتن از فرمول لاسپیرز به محاسبه شاخص می پردازیم، ولی با مرور زمان بر اثر تغییراتی نظیر افزایش سرمایه از محل اندوخته ها و یا تقسیم شدن یک سهام بزرگ به یک یا چند سهام کوچکتر و یا بالعکس که تعداد سهام را تغییر می دهند ولی عملا نباید در شاخص تغییری رخ دهد و به این علت ها ممکن است که مقدار کسر تغییر یابد و در واقع به گونه ای در آن تعدیل ایجاد می کنند تا در اثر عواملی مثل عوامل ذکر شده در بالا شاخص تغییر نکند.