وبلاگ

۱۰

 

شبلی

 

پلی اکریل ایران

 

 

 

جدول ۴-۱ نام شرکتهای نمونه(یافته­های محقق)
۴-۲-۳٫ سؤال‌های مختلف برای پیش ­بینی قیمت سهام

امروزه شبکه ­های عصبی مصنوعی جایگاه مهمی در ادبیات پیش ­بینی متغیرهای اقتصادی به خود اختصاص داده­اند. مهم­ترین مزیت این مدل­ نسبت به سایر مدل­های ساختاری و سری زمانی آن است که در طراحی این مدل­، نیازی به اعمال فرض­های آماری خاص در مورد رفتار متغیرها مانند فرض­های مربوط به نحوه ارتباط بین متغیرها نیست. به‌منظور پیش ­بینی هرچه دقیق­تر قیمت سهام، چهار سؤال مختلف را در نظر گرفتیم و به مدل‌سازی آن­ها پرداختیم.
سؤال اول: پیش‌بینی قیمت سهام را با بهره گرفتن از شاخص‌های ترکیبی به روش شبکه عصبی برای پنج روز آینده با بهره گرفتن از متغیرهای ترکیبی؛ که ورودی‌های این مدل ترکیبی از متغیرهای فنی و بنیادی ست.
سؤال دوم: پیش‌بینی قیمت سهام را با بهره گرفتن از شاخص‌های تکنیکال به روش شبکه عصبی برای پنج روز آینده.
سؤال سوم: تعیین عامل‌های مهم در تعیین نرخ اوراق در شرکت‌های شیمیایی که با واردکردن قیمت طلا، قیمت نفت، قیمت ارز و شاخص کل در شبکه عصبی به پیش‌بینی قیمت سهام می‌پردازیم.
سؤال چهارم: با بهره گرفتن از الگوریتم‌های شبکه عصبی و شاخص‌های ترکیبی یک روش جدید با خطای کمتر برای پیش‌بینی قیمت سهام طراحی کنیم.
۴-۳٫ داده ­های آموزشی، اعتبار سنجی و آزمایشی
برای مدل­سازی سؤالات، پس از آماده‌سازی و نرمال­سازی داده ­ها، آن‌ها را به سه بخش داده ­های آموزشی، اعتبارسنجی و آزمایشی تقسیم ­بندی می­نماییم. بدین‌صورت که ۷۰ درصد از داده ­ها برای بخش آموزشی، ۱۵ درصد برای بخش اعتبارسنجی و ۱۵ درصد نیز برای بخش آزمایشی در نظر گرفته شد.
۴-۴٫ پیاده­سازی سؤالات مختلف برای پیش ­بینی قیمت سهام
۴-۴-۱٫ سؤال اول: چگونه می‌تواند قیمت سهام را با بهره گرفتن از شاخص‌های ترکیبی به روش شبکه عصبی پیش‌بینی کرد؟
در اولین سؤال ما به دنبال پیش ­بینی قیمت پایانی برای پنج روز آتی با بهره گرفتن از داده ­های ترکیبی هستیم. به همین سبب برای پیش ­بینی قیمت سهام هر شرکت، یک شبکه MFNN با نه ورودی تشکیل دادیم. نه متغیر که ترکیبی از متغیرهای فنی و بنیادی هستند:
متغیرهای تجزیه وتحلیل فنی شامل: ۱٫ اولین قیمت روز گذشته، ۲٫ بیشترین قیمت روز گذشته ، ۳٫ کمترین قیمت روز گذشته ، ۴٫ قیمت پایانی روز گذشته ، ۵٫ قیمت نهایی روز ۶٫ حجم معاملات سهم روز گذشته.
متغیرهای تجزیه وتحلیل بنیادی شامل: ۱٫ سود سالیانه ۲٫ ارزش دفتری ۳٫ سود هر سهم را به‌عنوان نورون­های ورودی شبکه در نظر گرفتیم.
شبکه­ را با بهره گرفتن از کل داد­ها و داده‌های آموزشی، آموزش دادیم. پس از آموزش شبکه، عملکرد آن را بر روی‌داده‌های آزمایشی سنجیدیم. این عملیات را باکم و زیاد کردن تعداد لایه ­ها و نرون­های هر لایه و با تغییر توابع فعال‌سازی، الگوریتم آموزش پرسپترون و معیار تابع هدف، تکرار نمودیم تا به یک ساختار مناسب دست‌یافتیم. برای تعیین تعداد واحدهای پردازش اطلاعات مناسب، تعداد نرون­های پنهان را از ۱۸ تا ۲۵ برای شرکتهای مختلف آزمایش کردیم. به‌منظور جلوگیری از خطا، فرایند یادگیری برای هر مدل، ۱۰۰ بار تکرار شده است. میانگین شاخص جذر میانگین مجذور خطا RMSE در مدل‌های برآورد شده با تعداد نرون های مختلف، به شرح زیر حاصل‌شده است:

 

 

تعداد نرون

 

۱۸

 

۱۹

 

۲۰

 

۲۱

 

۲۲

 

۲۳

 

۲۴

 

۲۵

 

 

 

RMSE

 

۴۶۴

 

۳۲۳

 

۴۵۳

 

۴۴۷

 

۱۷۸

 

۲۲۳

 

۲۳۴

 

۲۸۶