چکیده

 

در این تحقیق به عنوان نمونه پیش‌بینی زمان‌بندی معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدین‌صورت که ابتدا داده‌های اولیه که شامل 3 متغیر قیمت پایانی، کمترین قیمت و بیشترین قیمت سهام طی دوره زمانی 1388 تا پایان 1391 بصورت روزانه است، از سایت رسمی سازمان بورس اوراق بهادارتهران گردآوری گردید .سپس  با بهره گرفتن از این داده‌ها و تعریف توابع مربوطه در نرم افزار Excel شاخص‌های قدرت نسبی((RSI، میانگین متحرک همگرا- واگرا(MACD)، میانگین متحرک ساده((SMA، نوسانگر تصادفی((SO، میانگین متحرک نمایی(EMA) و خط سیگنال(SL) محاسبه شدند. پس از گردآوری سایر داده‌ها با بهره گرفتن از رگرسیون گام به گام متغیرهای ورودی هر شبکه عصبی فازی مربوط به هر سهم شناسایی شد. در شناسایی متغیرهای موثر بر شاخص‌های تحلیل تکنیکال این نتیجه حاصل شد که شاخص‌های RSI، MACD و شاخص کل سهام در 70 درصد نمونه مورد بررسی بر RSI 14 روز آتی تاثیر داشته‌اند. از طرفی، MACD-SL در 94 درصد نمونه مورد بررسی به عنوان متغیر ورودی شبکه پیش‌بین MACD-SL 14 روز آتی درنظر گرفته شده‌است. ازمیان متغیرهای مستقل، قیمت پایانی بیشترین تکرار را (تقریبا در 76 درصد موارد) در شبکه‌های پیش‌بینSMA-P 14 روز آتی داشته است.  بیشترین متغیری که به عنوان ورودی شبکه‌های پیش‌بین EMA-P و SO 14 روز آتی شناسایی گردید، نسبت قیمت به سود بوده‌است. از میان کلیه متغیرها دلار و طلا به نسبت کمتری به عنوان متغیر ورودی درنظر گرفته شده‌است. این ورودی‌ها در نرم افزار Matlab و از طریق رابط گرافیکی Anfisedit جهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه‌ای که پنج شبکه ANFIS برای پیش‌بینی متغیرهای RSI ، -SL MACD، -P SMA،  SO وEMA-P 14روز آتی برای هر سهم طراحی شدند. سپس با بهره گرفتن از معیار  MSE و RMSE و درصد صحت پیش‌بینی عملکرد شبکه‌های ایجاد شده بررسی گردید. نتایج نشان داد که میانگین درصد صحت پیش‌بینی کلیه شبکه‌های ایجاد شده (55/96%) بیشتر از حالت تصادفی (50%) است. سپس با اعمال مقررات معاملاتی مقادیر پیش‌بینی شده به سیگنال تبدیل شدند. سپس پیشنهاد داده شد که سیگنال نهایی سیستم طراحی شده از مجموع سیگنال‌های ایجاد شده توسط 5 شاخص تکنیکال مذکور بدست آید. در مرحله بعدی جهت سنجش بازده معاملات پیشنهادی مدل ارائه با بهره گرفتن از استراتژی معاملاتی پیشنهادی تحقیق یک معامله فرضی شبیه‌سازی گردید. سپس بازده معاملات صورت گرفته بر اساس سیگنال نهایی سیستم پیشنهادی با بازده روش‌های تکنیکال و روش‌های خرید و نگهداری (در دو حالت پیش از کسر هزینه‌های معاملاتی و پس از کسر هزینه‌های معاملاتی) مقایسه گشتند. با توجه بازدهی مثبت شاخص‌های SMA، EMA، SO و روش پیشنهادی می‌توان نتیجه گرفت که می‌توان با بهره گرفتن از این شاخص‌های تحلیل تکنیکال در بازار سهام ایران روند قیمت سهام را پیش‌بینی کرد. از این میان، روش میانگین متحرک ساده از بالاترین اعتبار برای پیش‌بینی روند قیمت سهام برخوردار است. در نتیجه بازار بورس تهران پتانسیل بکارگیری شاخص‌های مختلف تحلیل تکنیکی را داراست.

 

 

 

کلمات کلیدی: تحلیل تکنیکال، شبکه عصبی فازی، پیش‌بینی، بورس اوراق بهادار تهران.

 

 

 

 

 

فهرست مطالب

 

فصل اول: کلیات پژوهش

 

مقدمه 1

 

1-1-شرح و بیان مساله پژوهشی 2

 

1-2-اهمیت و ارزش پژوهش 3

 

1-3-اهداف پژوهش 3

 

1-4-فرضیه های پژوهش 3

 

1-5-روش پژوهش 3

 

1-5-1- نوع مطالعه و روش بررسی فرضیه‌ها‌ 3

 

1-5-2- جامعه آماری 4

 

1-5-3-  ابزار گردآوری داده‌ها‌ 4

 

1-5-4-  ابزار تجزیه و تحلیل 4

 

1-6-واژگان کلیدی 5

 

1-7- کلمات اختصاری 6

 

خلاصه 6

 

 

 

فصل دوم: مروری بر ادبیات موضوع

 

مقدمه 7

 

2-1- مفاهیم سرمایه گذاری 8

 

2-1-1- بازارهای مالی 8

 

2-1-1-1-انواع بازارهای مالی 8

 

2-1-1-2- بورس 9

 

2-1-1-2- 1- اهمیت بورس اوراق بهادار 9

 

2-1-1-2- 2- تاریخچه بورس اوراق بهادار تهران 10

 

2-1-2- مفهوم سرمایه گذاری 12

 

2-1-3- فرایند سرمایه گذاری 12

 

2-1-4- روش های سرمایه گذاری 13

 

2-1-5- سهام عادی 13

 

2-1-6- نظریه سرمایه گذاری در بورس 14

 

2-1-7- بازده سرمایه گذاری 14

 

2-1-8- کارایی بازار سرمایه و اهمیت آن در ارزیابی سهام 15

 

2-2- پیش بینی 16

 

2-2-1- روش های پیش بینی کیفی 16

 

2-2-2- روش های پیش بینی کمی 16

 

2-2-3- انتخاب روش پیش بینی 16

 

2-2-4- روش بنیادی 17

 

2-2-5- روش پیش بینی سری های زمانی کلاسیک 18

 

2-2-6- روش های تکنیکال یا فنی 19

 

2-3- سیستم فازی 24

 

2-3-1- منطق فازی 24

 

2-3-1-1- مجموعه‌های فازی 25

 

2-3-1-2- عملگرهای مجموعه فازی 25

 

2-4- شبکه عصبی فازی 26

 

2-4-1- شبکه‌های عصبی مصنوعی 26

 

2-4-2- تاریخچه شبکه‌های عصبی مصنوعی 26

 

2-4-3- ویژگی و قابلیت‌های شبکه‌های عصبی مصنوعی 27

 

2-4-4- تعریف شبکه عصبی قازی 28

 

2-4-5- نرون‌های فازی 28

 

2-4-6- قوانین فازی 30

 

2-4-7-سیستم‌های استنتاج فازی 30

 

2-4-7-1- روش‌های فازی ساز 32

 

2-4-7-2- روش‌های غیر فازی ساز 35

 

2-4-7-3- سیستم استنتاج ممدانی 37

 

2-4-7-3- سیستم استنتاج تاکاگی-سوگنو 38

 

2-4-8-شبکه ‌های عصبی فازی چند لایه 39

 

2-4-9- شبکه ANFIS 39

 

2-4-9-1- مزایای ANFIS 41

 

2-4-10-‌ فرایند یادگیری در شبکه‌ 42

 

2-4-10-1- الگوریتم‌یادگیری پس انتشار خطا 42

 

2-4-10-2- ایجاد ساختار اولیه FIS 43

 

2-4-10-3- فرایند یادگیری در شبکه ANFIS 44

 

2-4-11- اندازه گیری خطا در شبکه‌های عصبی 44

 

2-4-12- نرمالسازی خطی داده‌ها در فاصله [L,H] 46

 

2-5- پیشینه موضوع 47

 

2-5-1- بررسی کارآیی‌یا عدم کارآیی بازار 47

 

2-5-2- امکان سنجی بکارگیری شاخص‌های تحلیل تکنیکال در پیش‌بینی روند قیمت سهام 48

 

2-5-3- مروری بر پژوهشات صورت گرفته در زمینه پیش‌بینی متغیرهای اقتصادی و مالی با بهره گرفتن از سیستم‌های هوشمند 49

 

2-5-3-1- پژوهشات داخلی 49

 

2-5-3-2- پژوهشات خارجی 52

 

خلاصه 61

 

 

 

فصل سوم: روش پژوهش

 

مقدمه. 62

 

3-1- اهداف پژوهش. 63

 

3-2- متغیرهای پژوهش. 63

 

3-3- فرضیه های پژوهش. 65

 

3-4- نوع پژوهش. 65

 

3-5- روش پژوهش. 66

 

3-6-  جامعه آماری. 73

 

3-7- ابزار گردآوری داده ها. 73

 

3-8- ابزار تجزیه و تحلیل. 75

 

3-9-  قلمرو پژوهش. 75

 

خلاصه. 75

 

 

 

فصل چهارم: تجزیه و تحلیل داده‌ها

 

مقدمه 76

 

4-1- انتخاب متغیرهای ورودی 77

 

4-1-1- نرمال سازی داده ها 77

 

4-1-2- شناسایی متغیرهای ورودی شبکه 77

 

4-2- پیش بینی شاخص های تحلیل تکنیکال با بهره گرفتن از شبکه عصبی فازی 81

 

4-2-1- انتخاب داده های آزمون و آموزش 81

 

4-2-2- طراحی شبکه عصبی فازی 81

 

4-2-3- ارزیابی عملکرد شبکه 82

 

4-2-3-1- ارزیابی عملکرد شبکه بر اساس معیار MSE 82

 

4-2-3-2- ارزیابی عملکرد شبکه بر اساس معیار RMSE 85

 

4-3- بررسی درصد صحت پیش بینی شبکه عصبی فازی 87

 

4-4- بررسی معناداری تفاوت میانگین بازدهی روش های معاملاتی 89

 

خلاصه 93

 

 

 

فصل پنجم: نتیجه گیری و پیشنهادها

 

مقدمه 94

 

6-1- خلاصه پژوهش 95

 

6-2- نتایج پژوهش 95

 

6-2- محدودیت های پژوهش 97

 

6-3- پیشنهادها 97

 

خلاصه 98

 

منابع فارسی 99

 

منابع انگلیسی 103

 

پیوست1 107

 

پیوست2 117

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

فهرست جدول‌ها

 

جدول (1-1): کلمات اختصاری 6

 

جدول (2-1): خلاصه پیشینه تحقیقات داخلی 59

 

جدول (2-2): خلاصه پیشینه تحقیقات خارجی 60

 

جدول(3-1): متغیرهای استفاده شده توسط محققین قبلی. 63

 

جدول (3-2): نحوه تصمیم‌گیری بر اساس شاخص RSI 69

 

جدول (3-3): نحوه تصمیم‌گیری بر اساس SMA-P. 70

 

جدول (3-4): نحوه تصمیم‌گیری بر اساس MACD-SL. 70

 

جدول (3-5): نحوه تصمیم‌گیری بر اساس EMA-P. 71

 

جدول (3-6): نحوه تصمیم‌گیری بر اساس SO 72

 

جدول (3-7): نحوه تصمیم‌گیری بر اساس سیگنال نهایی. 72

 

جدول (3-8): اطلاعات نمونه مورد بررسی. 75

 

جدول (4-1): متغیرهای ورودی شبکه‌های عصبی فازی پیش‌بین متغیرهای وابسته 78

 

جدول(4-2): تعداد و درصد فراوانی حضور متغیرهای مستقل در شبکه‌های عصبی فازی 80

 

جدول (4-3): نتایج آزمون مقایسه میانگین 88

 

جدول(4-4): میانگین بازده روزانه سهام‌های مورد بررسی در حالت پیش از کسر هزینه‌های معاملاتی        90

 

جدول(4-5): میانگین بازده روزانه سهام‌های مورد بررسی در حالت پس از کسر هزینه‌های معاملاتی        91

 

جدول (4-6): نتایج مطالعه توصیفی بازده روزانه روش های مختلف 92

 

 

 

 

 

 

 

فهرست شکل‌ها

 

شکل(2-1): سیستم فرضی مشتمل بر چند سری زمانی ورودی و یک سری زمانی خروجی 19

 

شکل (2-2): میانگین متحرک ساده50 و200 روزه. 21

 

شکل(2-3): MACD 22

 

شکل (2-4): RSI 23

 

شکل (2-5): شاخص KD 24

 

شکل (2-6): مدل کلی نرون فازی 28

 

شکل(2-7): نرون فازیAND 30

 

شکل(2-8):  نرون فازی OR 30

 

شکل(2-9): اجزای سیستم استدلال فازی. 31

 

شکل(2-10): یک نمونه تابع عضویت مثلثی 33

 

شکل(2-11): یک نمونه تابع عضویت ذوزنقه‌ای. 34

 

شکل(2-12): یک نمونه تابع عضویت گوسی. 34

 

شکل(2-13): یک نمونه تابع عضویت زنگی شکل. 35

 

شکل(2-14): روش مرکز مجموع‌های سطوح 35

 

شکل(2-15): روش نیمساز 36

 

شکل(2-16): روش‌های ماکزیمم عضویت 36

 

شکل(2-17): سیستم استدلال فازی ممدانی با سه متغیر ورودی و یک متغیر خروجی 38

 

شکل(2-18): سیستم استنتاج فازی تاکاگی- سوگنو 39

 

شکل (2-19): شبکه عصبی فازی با نرون AND 39

 

شکل(2-20): شبکه عصبی فازی با نرون OR 39

 

شکل(2-21): شبکه ANFIS 41

 

شکل(2-22): مدل تان و همکاران (2008) 54

 

شکل(2-23): معماری شبکه LVQ 55

 

شکل(2-24): معماری شبکه PNN 56

 

شکل(2-25): معماری شبکه FNN 56

 

شکل (3-1): مدل محقق ساخته پژوهش حاضر. 67

 

شکل (3-2): فرایند اجرای پژوهش حاضر. 74

 

شکل(4-1): معماری شبکه ANFIS 80

 

نمودار(4-1): MSE داده های آموزش 82

 

نمودار(4-2): نمودار مقادیرواقعی و پیش بینی شده SO حفاری برای داده‌های آموزش 83

 

نمودار(4-3): نمودار مقادیرواقعی و پیش‌بینی شده SMA-P فاذر برای داده‌های آموزش 83

 

نمودار(4-4): MSE داده های آزمون 84