است)
فهرست مطالب
عنوان صفحه
چکیده 1
فصل 1: کلیات موضوع تحقیق 2
1-1- مقدمه 3
1-2- اهمیت موضوع 5
1-3- بیان مسأله 6
1-4- اهداف تحقیق 8
1-5- سوال و فرضیه تحقیق 8
1-6- قلمرو تحقیق 9
1-7- متدولوژی وروش تحقیق 9
1-8- مفاهیم واژه های به کار رفته در تحقیق 10
فصل 2: ادبیات موضوع تحقیق 11
2-1- مقدمه 12
2-2- سیستم مالی 12
2-2-1- تعریف بازار 13
2-3- کارایی بازار 13
2-3-1- ابعاد کارایی بازار 14
2-3-2- ماهیت کارایی در بازار سرمایه 16
2-3-3- سطوح مختلف کارایی 17
2-3-4- فرضیه بازار کارا 19
2-3-5- مدلهای مختلف رفتار قیمت سهام 20
2-4- مفهوم پیشبینی 22
2-4-1- تعریف پیش بینی 23
2-4-2- هدف پیش بینی 23
2-4-3- تعریف مسأله پیش بینی 24
2-4-4- روش های پیش بینی 25
2-4-5- معیارهای ارزیابی نتایج پیش بینی 26
2-5- روش های پیشبینی اقتصادی 28
2-5-1- فرآیند خود رگرسیون (AR ) 29
2-5-2- فرآیند میانگین متحرک (MA) 29
2-5-3- فرآیند خود رگرسیون میانگین متحرک (ARIMA) 30
2-5-4- فرآیند خودرگرسیون میانگین متحرک انباشته (ARIMA) 30
2-5-5- نحوه مدلسازی ARIMA 31
2-6- بورس اوراق بهادار وتاریخچه آن 32
2-6-1- سابقه تاریخی بورس اوراق بهادار تهران 33
2-7- آشنایی با شاخص های قیمت سهام 35
2-7-1- فواید شاخص ها 35
2-7-2- شاخص قیمت سهام 35
2-7-3- عوامل موثر بر شاخص سهام 36
2-7-4- روش های رایج محاسبه شاخص 38
2-7-5- تاریخچه وشیوه محاسبه شاخص های معتبر جهانی ( بت شکن ، 1383) 40
2-7-6- شاخص ها قیمت سهام در بورس اوراق بهادار تهران 43
2-8- شبکه های عصبی مصنوعی 48
2-8-1- شبکه های عصبی بیولوژیک 48
2-8-2- مدل سازی نرون تنها 49
2-8-3- شبکه های عصبی چند لایه پیشخور 52
2-8-4- شبکه های پرسپترون چند لایه 54
2-8-5- الگوریتم پس از انتشار BP 55
2-9- پیشینه تحقیق 58
فصل 3: روش تحقیق 70
3-1- مقدمه 71
3-2- نحوه جمع آوری وآماده سازی داده ها 72
3-3- توپولوژی وساختار شبکه عصبی 73
3-4- آموزش شبکه عصبی 73
3-5- خروجی شبکه 74
3-6- نحوه مدلسازی ARIMA 74
3-7- مدل رگرسیون چند متغیره 75
3-8- معیار ارزیابی وآزمون نتایج 75
3-9- خلاصه فصل 76
فصل 4: تجزیه و تحلیل یافته های تحقیق 77
4-1- مقدمه: 78
4-2- برآورد الگوی مناسب ARIMA برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 78
4-2-1- بررسی مانایی و نامانایی سری زمانی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 79
4-3- برآورد الگوی مناسب شبکه عصبی برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 93
4-4- برآورد الگوی مدل رگرسیونی مناسب برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران 96
4-5- آزمون فرضیه ها 98
4-6- خلاصه 99
فصل 5: نتیجه گیری و پیشنهادات 100
5-1- مقدمه 101
5-2- نتیجه گیری و پیشنهادات 101
5-2-1- نتیجه گیری 101
5-2-2- پیشنهادات 103
5-3- محدودیتهای تحقیق 104
5-4- خلاصه 105
فهرست منابع و مأخذ 106
پیوست 1: شبکه های عصبی مصنوعی .109
چکیده انگلیسی 127
چکیده
هدف از این تحقیق پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از شبکه های عصبی است و به منظور آزمون نتایج این پیش بینی و اینکه شبکه های عصبی توانایی پیش بین بهتری دارند یا سایر روش های آماری نتایج حاصل از شبکه عصبی مطلوب با روش های آماری آریما و رگرسیون مورد مقایسه قرار گرفت که به صورت معنی داری مشخص شد شبکه عصبی در مقایسه با روش های آماری ذکر شده بهتر می تواند نسبت به پیش بینی شاخص مورد نظر این تحقیق اقدام نماید.
روش انجام تحقیق حاضر،پیمایشی و مقایسه ای از نوع همبستگی می باشد. روش گردآوری اطلاعات به صورت کتابخانه ای می باشد که از طریق مراجعه به کتب ، مقالات و منابع موجود در کتابخانه های سازمان بورس اوراق بهادار تهران و جستجو درشبکه جهانی اینترنت و همچنین مطالعه و بررسی پایان نامه ها و رساله های کارشناسی ارشد و دکتری ، مطالب مرتبط به موضوع تحقیق گردآوری و استفاده شده است.
قلمرو تحقیق از نظر مکانی محدود به سازمان بورس اوراق بهادار تهران واز نظر زمانی در برگیرنده دوره زمانی 08/04/1371 الی 09/03/1386 می باشد . از نظر قلمرو موضوعی ، تحقیق حاضر به بررسی کارایی اطلاعاتی بازار سرمایه ایران در سطح ضعیف می پردازد .
1-1- مقدمه
پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه یکی از مهم ترین 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 ومالی، از مـدتها پـیش مـشاهده شـده ومحققان 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 وهمچنین 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 وتجاری این است که به شدت تحت تاثیر مسایل اجتماعی ، سیاسی وفرهنگی 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 وعوامل 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 میباشد .
معمولاً به منظور پیش بینی وقایعی که در 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 فرآیند که در اغلب روش های پیش بینی مورد استفاده قرار می گیرد ، مبتنی بر این فرض است که روابط بین متغیرها در آینده نیز ادامه خواهد داشت .
روش های پیش بینی می تواند کاملا ساده یا پیچیده، کوتاه مدت یا بلند مدت ، کمی یا کیفی باشد . اما علیرغم تنوع در روش های موجود ، می توان آنها را به دو گروه اصلی : روش های کیفی و روش های کمی، طبقه بندی نمود[1].
در روش های کیفی ،پیش بینی مبتنی بر قضاوت ذهنی وتجارب شخصی فرد پیش بینی کننده است . در حالیکه در روش های کمی ، با بهره گرفتن از تجزیه وتحلیل داده های گذشته ، ارزش متغیر مورد نظر پیش بینی می گردد . روش های رگرسیون وسریهای زمانی نمونه هایی می باشند که در آنها از روش های کمی به منظور پیش بینی استفاده می گردد. سری زمانی یک متغیر ، مشاهدات متوالی تاریخی مربوط به آن متغیر است و در تجزیه وتحلیل سری زمانی تلاش می شود با بهره گرفتن از مقادیر گذشته، مقدار آینده آن متغیر تعیین گردد.
جهت پیش بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول ترین آنها روش های رگرسیون ومدلهای «ARIMA» هستند[2].اما این مدلها در عمل جهت پیش بینی بعضی از سریها ناموفق بوده اند زیرا ساختار آنها خطی است و از این نظر محدودیت ذاتی دارند ( لین،علیخان وهوانگ 2002) در ایـن زمـینه مـدلـهای «ARCH/GARCH» نیز مورد اسـتفاده قـرار گرفـته اند( انگل 1982 وبولرس لو 1986). اما هنوز سریهای دیگری وجود دارند که نمی توان با بهره گرفتن از این روشها به پیش بینی قانع کننده ای در خصوص آنها دست یافت . تحقیقات اخیر در زمینه شبکه های عصبی نشان داده است که این شبکه ها ویژگیهای لازم جهت کاربردهای مرتبط از قبیل درون یابی یکنواخت وغیر خطی، توانایی فراگیری سریهای پیچیده غیر خطی وقابلیت وفق شدن با توزیع های مختلف آماری را دارند.
از میان روش های هوشمند ، سیستم های عصبی کاربرد زیادی در مورد سریهای زمانی دارند. این سیستم ها با دریافت اطلاعات مربوط به ورودیهای (سری زمانی اعداد) ارتباطات بین آنها را کشف کرده ومعادله مربوط را فرا می گیرند وآن را برای نتایج بعدی تعمیم می دهند. شبکه های عصبی مصنوعی شکل بسیار ساده ای از سیستم عصبی طبیعی هستند . همانطور که می دانیم شبکه عصبی انسان از سلولهایی به نام نرون تشکیل شده است که این نرونها اطلاعات دریافتی را ذخیره وپردازش کرده ارتباطات بین آنها را کشف می کنند. سیستم های عصبی مصنوعی نیز از یک سری نرونهای عصبی بسیار ساده استفاده می کنند. این شبکه ها بسته به نوع مدلی که انتخاب می شود از چند لایه تشکیل می شوند که نرونهای عصبی در این لایه ها وجود دارند در حقیقت کار اصلی را این نرونها و ارتباطات بین آنها را انجام می دهند . یک شبکه عصبی دارای یک لایه ورودی ، یک لایه خروجی و یک یا چند لایه میانی می باشد . نحوه پردازش داده ها توسط شبکه برای ما قابل درک نیست وبه همین خاطر لایه های میانی را لایه های پنهان نیز می گویند.
تکنیک های مدلسازی به وسیله شبکه های عصبی نتایج موفقیت آمیزی در مسایل پیچیده ای مانند تقریب توابع پیچیده با هر دقتی ، تشخیص الگو و پیش فرایندهای خطی داشته اند . از طرف دیگر بازار بورس و روند قیمت های سهام وتغییرات شاخص ها و به طور کلی مسایل اقتصادی دارای یک سری روابط غیر خطی هستند وشبکه های عصبی نیز توانایی های زیادی برای حل معادلات غیر خطی دارند.
این تحقیق برآن است تا شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران را با توجه به سری زمانی آن در گذشته پیش بینی نماید . در تکنیک سری زمانی محققان سعی دارند از نحوه تسلسل شماره ها، فرایند ایجاد آنها را حدس بزنند، چنانچه اعداد سری مربوط از یک توزیع یکسان پیروی کنند یعنی در طول زمان مستقل از یکدیگر بوده واحتمال وقوع یکسان داشته باشند، هر استراتژی که انتخاب شود خوب است ولی اگر عددی احتمال وقوع بیشتری را نسبت به سایر اعداد داشته باشد استراتژی منتخب عدد مزبور را مدنظر قرار خواهد داد ( هندریکسون ، 1992) همچنین اگر احتمال وقوع عددی بستگی به تسلسل گذشته اعداد داشته باشد ، بالطبع استراتژی مناسب تری را می توان طراحی نمود. بنابراین سری زمانی ارقام، اطلاعاتی را پیرامون نتایج آتی فراهم ساخته وتصمیمات بعدی را تحت تاثیر قرار می دهد .
1-2- اهمیت موضوع
بورس آیینه تـمام نـمای وضـعیت اقتصادی یک کـشور است . بـورس اوراق بهادار از سویی مرکز جمع آوری پس اندازها و نقدینگی بخش خصوصی به منظور تامین مالی پروژه های سرمایه گذاری بلند مدت و از سوی دیگر محل رسمی و مطمئنی است که دارندگان پس اندازهای راکد می توانند محل مناسب سرمایه گذاری را جستجو کرده و وجوه مازاد خود را برای سرمایه گذاری در شرکتها به کار اندازند و متناسب با ریسکی که محتمل می شوند بازده خود را کسب کنند .
شوکهای ناگهانی بازار وسقوط قـیمتها تـعداد زیادی از سـرمایـه گـذاران را از بازار خارج می کند. تخصیص منـاسب منابع مالی در بازار سرمایه، خصوصاً بورس تـهران یکی از مـهمترین و اصلی ترین مشکلات روز است . تخصیص صحیح منابع نیازمند زمینه های مناسب سرمایه گذاری و وجود ابزار و تکنیک های تحلیلی مناسب در بازار است که موجب افزایش اطمینان سرمایه گذاران و کارایی بازار نیز خواهد شد . رفتار سهام در بازار مانند اغلب پدیده های طبیعی ، رفتاری غیر خطی است . استفاده از روش های مختلف هوش مصنوعی در بازار سرمایه ، علاوه بر کارایی بیشتر بازار ، بازدهی بیشتر آن و تخصیص مناسب تر سرمایه ، باعث بالا رفتن سطح دانش و آگاهی نیز می شود . شبکه های عصبی به عنوان یکی از سیـستم های هـوشـمند می تواند روابط غـیر خـطی بـین ورودیـها و خروجـیها را بر اساس مجموعه داده هایی که به عنوان مجموعه آموزش به شبکه وارد می شود فرا گرفته و آنها را شناسایی و به داده های مورد آزمون تعمیم دهد .
معامله براساس شاخص های بازار سهام شهرت بی سابقه ای را در بازارهای مالی مهم دنیا کسب کرده است. افزایش تنوع ابزارهای مرتبط با شاخص مالی ، دامنه فرصتهای سرمایه گذاری جهانی را برای سرمایه گذاران گسترش داده است .
دو دلیل اصلی برای پیشرفت این ابزارها وجود دارد ( چن ، لیونگ ودایوک ، 2002) اول، آنها ابزارهای موثری را برای سرمایه گذاران به منظور محافظت از ریسک های بالقوه بازار فراهم می آورند . دوم، فرصت های کسب سود جدیدی را برای کسانی که از موقعیت های زمانی و مکانی بازار استفاده می برند، ایجاد می کنند . بنابراین پیش بینی بازار سهام از اهمیت و کاربرد بسیار بالایی برخوردار است . از طرف دیگر روش های پیش بینی کلاسیک در جایی که روابط بین پدیده ها غیر خطی و پیچیده می باشند از قابلیت بالایی برخوردار نمی باشد در حالیکه روشها ومدلهای مبتنی بر هوش مصنوعی قابلیت بسیار بالایی در زمینه یادگیری روابط وتعمیم دهی آنها به نتایج بعدی برخوردار می باشند.
1-3- بیان مسأله
درخصوص بازارهای سرمایه وقابلیت پیش بینی عناصر مرتبط با آنها ، از قبیل قیمت اوراق بهادار ، حجم معاملات، شاخص ها و فرضیه های مختلفی بیان شده است . مهمترین فرضیه ای که در این بازارها مطرح است فرضیه بازار کارا ونظریه گام تصادفی می باشد .این فرضیه بیان می کند که در یک بازار کارا نمی توان با بهره گرفتن از اطلاعات موجود ، قیمت آینده را پیش بینی کرد و به عبارت دیگر فرایند ایجاد قیمتها کاملا تصادفی می باشد . لذا این فرضیه هر نوع تلاشی را در جهت پیش بینی اعداد وارقام بازار رد می کند و بهترین پیش بینی قیمت بعدی را همان آخرین قیمت واقعی می داند . نظریه های مخالف این فرضیه نیز ارائه شده است این افراد که معتقدند قیمت اوراق بهادار را می توان پیش بینی کرد به دو گروه عمده بنیاد گرایان وچارتیستها تقسیم می شوند . بنیاد گرایان با بهره گرفتن از تجزیه وتحلیل بنیادی عوامل موثر بر ارزش ذاتی سهام سعی دارند تا قیمت ذاتی اوراق بهادار را تعیین کنند در حالیکه چارتیستها جهت تعیین قیمت بر اطلاعات گذشته و روند قیمتها متکی هستند . به عبارت دیگر آنها با بهره گرفتن از تجزیه وتحلیل روند داده ها در گذشته سعی می کنند پیش بینی خود را درخصوص قیمت اوراق بهادار حجم معاملات ، شاخصها و. انجام دهند .
در ادبیات مربوط به کارایی بازار سرمایه ، کارایی بازار با توجه به حساسیت قیمت ها به سطوح مختلف اطلاعات ، به سه سطح طبقه بندی شده است که عبارتند از، سطح
