جدول ۴-۱۰- نتایج حاصل از مدل رگرسیون
با نگاهی به جدول ۴-۱۰ در می یابیم که مقدار  تا حد بسیار زیادی به عدد یک نزدیک شده و تقریبا برابر با عدد یک شده است که این مقدار باعث می شود نسبت به مدل رگرسیون جهت انجام پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران دچار تردید شویم، زیرا نزدیک بودن بیش از حد  به عدد یک و همچنین پایین بودن بیش از حد خطاهای پیش بینی حاصل از مدل رگرسیون که تقریبا معادل عدد ۲۸ می باشد حاکی از وجود پدیده خود رگرسیونی^[۳۴] در داده هاست که امکان استفاده از مدل رگرسیون جهت داده های مدنظر این تحقیق را از میان می برد.
بنابراین با توجه به توضیحات فوق الذکر و عدم امکان استفاده از نتایج حاصل شده از مدل رگرسیون، در بخش ۴-۴ به منظور آزمون نمودن فرضیات تحقیق تنها نتایج دو مدل آماری آریما و شبکه عصبی مورد آزمون قرار گرفته است.

آزمون فرضیه ها

فرضیه ارائه شده در این تحقیق مبنی بر کمتر بودن مقدار MSE به دست آمده از شبکه عصبی نسبت به سایر مدلهای آماری می باشد.

همانطور که در بخش ۴-۳ توضیح داده شد امکان پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از رگرسیون نمی باشد. بنابراین فرضیات آماری این تحقیق به صورت زیر خواهد بود:
معادله ۶

از آنجا که پیش بینی توسط شبکه عصبی به میزان ۳۰ بار تکرار شده است به جهت آزمون نمودن فرضیات تحقیق از آماره T استفاده شده است.
در شرایطی فرضیه  مورد قبول واقع می گردد که نتیجه آماره به دست آمده بر اساس اعداد جدول آماره T برای جامعه آماری سی تایی و با سطح اطمینان ۹۵ درصد کمتر از عدد ۹۶/۱ باشد.
به منظور محاسبه آماره انتخاب شده جهت آزمون نمودن مفروضات از رابطه زیر استفاده گردیده است:
معادله ۷

مقدار محاسبه شده برای آماره T به صورت زیر بدست آمده است:
معادله ۸

از آنجا که مقدار به دست آمده برابر با ۴۲/۱- می باشد و مقدارT بر اساس جدول با سطح اطمینان ۹۵ درصد معادل رقم ۹۶/۱ می باشد به این نتیجه می رسیم که به صورت معنی داری شبکه عصبی توانمندتر از مدل رگرسیونی آریما در پیش بینی داده های شاخص پنجاه شرکت برتر بورس اوراق بهادار بوده است زیرا  کمتر از  می باشد.
با توجه به توضیحات داده شده در قسمتهای قبل فرض  رد شده و فرض  مورد قبول واقع می شود.

خلاصه

در این فصل تجزیه و تحلیل یافته های تحقیق ذکر گردید . در این رهگذر ضمن اشاره به موضوع و فرضیه های تحقیق مطالبی در خصوص نحوه جمع آوری و پردازش داده های تحقیق و سپس نحوه پیاده سازی مدل های پیش بینی تشریح گردید . در ادامه نحوه آزمون فرضیه و معیار مقایسه مدل ها به نحو روشنی بیان شد . همچنین با توجه به نتایج آزمون فرضیات مشخص گردید که شبکه های عصبی به صورت معنی داری توانمند تر از مدل آماری آریما به پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران می باشد. همچنین مشخص گردید که روش رگرسیون خطی به دلیل وجود فرایند خودرگرسیونی در داده ها توانایی پیش بینی شاخص مورد نظر این تحقیق را ندارد لذا در آزمون فرضیات این تحقیق گنجانده نشده است.

نتیجه گیری و پیشنهادات

مقدمه

پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه یکی از مهمترین مسایل مورد بحث در میان پژوهشگران اقتصادی وعلوم مالی بوده است . روش های کلاسیک مانند رگرسیون گرچه توفیقات نسبی در این زمینه ها داشته اند ، اما نتایج آن نتواسته است پژوهشگران این عرصه را راضی نماید . غیر خطی بودن داده های اقتصادی و مالی ، از مـدتها پـیش مـشاهده شـده و محققان محـدودیـتهای مربـوط بـه تـکنیکـهایی را که فرض می کنند، یک ارتباط خطی بین این داده ها وجود دارد را درک کرده وشناخته اند. اما استفاده از این تکنیکها به خاطر ساده بودن تفسیر ضرایب برآوردی و همچنین راحت بودن پیاده سازی آنها، مورد توجه قرار گرفته است . بنابراین تلاش برای دستیابی به مدلهای دقیق تر و بهتر همچنان ادامه دارد . ویژگی مسایل اقتصادی و تجاری این است که به شدت تحت تاثیر مسایل اجتماعی ، سیاسی و فرهنگی است که بسیاری از پارامترهای آنها ناشناخته بوده و با روش های کمی به سختی قابل اندازه گیری هستند. پیدایش تکنولوژی شبکه های عصبی که توان منحصر به فردی در تحلیل اطلاعات در دسترس، دارند باعث گردیده که متخصصان در تحلیل و پردازش داده ها و عوامل مرتبط به موضوعات اقتصادی، بازرگانی ، مالی و… به سمت آن گرایش پیدا کنند. استفاده از روش های غیر خطی در زمینه های مالی تلاش دیگری در جهت بهبود پیش بینی متغیرهای مطلوب است . استفاده از هوش مصنوعی وشبکه های عصبی در پیش بینی متغیرهای مالی ، یکی از این تکنیکها می باشد .

نتیجه گیری و پیشنهادات

نتیجه گیری

نتایج مبتنی بر تحقیق

معمولاً به منظور پیش بینی وقایعی که از آینده اتفاق می افتد به اطلاعات به دست آمده از رویدادهای تاریخی اتکا می شود . به این ترتیب که داده های گذشته تجزیه وتحلیل می گردد تا از آن الگویی قابل تعمیم به آینده حاصل گردد .این فرایند که در اغلب روش های پیش بینی مورد استفاده قرار می گیرید ، مبتنی بر این فرض است که روابط بین متغیرها در آینده نیز ادامه خواهد داشت .
با توجه به توضیحات ذکر شده در مقدمه این فصل و با توجه به ضرورت انجام پیش بینی شاخص های مورد استفاده در بورس به منظور استفاده در تصمیم گیری های آتی اقتصادی بود که در این تحقیق سعی شد تا مدلهای رگرسیونی همچون آریما و رگرسیون چند متغیره با هوش مصنوعی و شبکه های عصبی به جهت پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران مورد مقایسه قرار گیرد.بدین منظور ابتدا سعی گردید تا مدلهای رگرسیونی به پیش بینی داده های شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران بپردازند تا اولویت در انتخاب روند و راهکار پیش بینی توسط این دسته از مدلهای آماری انتخاب گردد و سپس با بهره گرفتن از مدل آماری ارائه شده توسط آنها به پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از شبکه های عصبی پرداخته شد.
از آنجا که شبکه های عصبی به صورت کاملا اتفاقی در مرحله اول شروع کار خود به متغیرهای تعریف شده وزن دهی می نمایند و سپس به تغییر این اوزان به گونه ای می پردازند تا مقدار MSE - که هدف این تحقیق نیز به حداقل رسانیدن آن بوده است - به حداقل ممکن برسد در نتیجه پس از هر بار انجام فرایند پیش بینی توسط شبکه عصبی عدد حاصله با فرایند قبلی متفاوت خواهد بود. به همین منظور و به جهت ایجاد امکان مقایسه مدلهای رگرسیونی با شبکه عصبی از شبکه عصبی خواسته شد تا فرایند پیش بینی را به تعداد ۳۰ دفعه تکرار نماید و نتایج حاصل شده را که در جدول ۴-۹ ارائه شده است پس از میانگین گیری با سایر مدلهای رگرسیونی مورد مقایسه قرار دادیم.
از آنجا که بر اساس مطالعات انجام شده بر روی داده ها مشخص شد امکان استفاده از رگرسیون چند متغیره با توجه به وجود فرایند خودرگرسیونی در داده ها نمی باشد لذا فرضیات آماری این تحقیق به صورت زیر خواهد بود:
معادله ۱

و از آنجا که پیش بینی توسط شبکه عصبی به میزان ۳۰ بار تکرار شده است به جهت آزمون نمودن فرضیات تحقیق از آماره T استفاده شده است.
در شرایطی فرضیه  مورد قبول واقع می گردد که نتیجه آماره به دست آمده بر اساس اعداد جدول آماره T برای جامعه آماری سی تایی و با سطح اطمینان ۹۵ درصد کمتر از عدد ۹۶/۱ باشد.
به منظور محاسبه آماره انتخاب شده جهت آزمون نمودن مفروضات از رابطه زیر استفاده گردیده است:
معادله ۲

مقدار محاسبه شده برای آماره T به صورت زیر بدست آمده است:
معادله ۳

از آنجا که مقدار به دست آمده برابر با ۴۲/۱- می باشد و مقدارT بر اساس جدول با سطح اطمینان ۹۵ درصد معادل رقم ۹۶/۱ می باشد به این نتیجه می رسیم که به صورت معنی داری شبکه عصبی توانمندتر از مدل رگرسیونی آریما در پیش بینی داده ها شاخص پنجاه شرکت برتر بورس اوراق بهادار بوده است زیرا  کمتر از  می باشد.

سایر نتایج

با بهره گرفتن از مطالب ذکر شده در این تحقیق می توان به این نتیجه رسید که شبکه های عصبی بسیار توانمندتر از سایر مدلهای آماری در پیش بینی شاخص هایی همچون شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران می باشد.
همچنین باید این موضوع را خاطر نشان کرد که به دلیل تکیه بر داده های گذشته جهت پیش بینی داده های آینده در مورد شاخصهایی همچون شاخص مدنظر این تحقیق بعضی از مدلهای رگرسیونی همچون رگرسیون چند متغیره توانایی انجام پیش بینی مورد نظر را ندارند اما مدلهایی همچون آریما این امکان را دارند تا با تقریب نسبتا خوبی به پیش بینی شاخص هایی همچون شاخص کل، شاخص پنجاه شرکت برتر، شاخص صنعت و غیره بپردازد.

پیشنهادات

پیشنهادات مبتنی بر تحقیق

با توجه به نتایج به دست آمده از مدل شبکه عصبی و اختلاف زیادی که در پیش بینی توسط این مدل با سایر روش های پیش بینی وجود دارد پیشنهاد می گردد تا سرمایه گذاران، تصمیم گیرندگان اقتصادی و سایر ذینفعان جهت پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران از شبکه های عصبی استفاده نمایند.

سایر پیشنهادات

الف-از آنجا که بین داده هایی همچون داده شاخص مدنظر این تحقیق همبستگی بالایی وجود دارد امکان استفاده از روش های رگرسیونی نمی باشد لذا پیشنهاد می گردد در تحقیقات آتی نامی از روش های رگرسیونی برده نشود.
ب- با توجه به توانایی بالایی که شبکه عصبی در پیش بینی و برآورد دارد می توان با توجه به داده های گذشته شرکتها و موسسات از شبکه های عصبی در بودجه ریزی و تهیه گزارشات مالی آتی استفاده نمود که این موضوع خود می تواند به عنوان یک تحقیق مورد بررسی بیشتر قرار گیرد.