نسبت قیمت به سود تقسیمی

۵۹۳/۰

۸۷۴/۰

۰۵/۰

نرمال

در جدول فوق با توجه به مقدار آماره اسمیرنوف-کلموگروف حاصل شده همچنین مقدار سطح معنی داری می توان استنباط نمود که توزیع مورد انتظار با توزیع مشاهده شده برای تمام متغیرهای فوق تفاوت معنی داری ندارد و بنابراین توزیع این متغیرها نرمال است. بنابراین میتوان از آماره های پارامتریک برای آزمون فرضیه های تحقیق استفاده نمود.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۴-۴: آزمون فرضیه ها

۱٫ فرضیه اصلی: «پیش بینی قیمت سهام و بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر است».
۱٫۱٫ پیش بینی پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر است.
H0: پیش بینی پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر نیست.
H1: پیش بینی پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر است.
جدول۴-۳: خلاصه فرایند انجام شده

درصد

نمونه های آموزشی

۵۰%

نمونه های مجموعه تایید

۲۵%

نمونه های مجموعه آزمایش

۲۵%

جمع

۱۰۰%

همانگونه که ملاحظه می شود مجموعه آموزش بزرگترین مجموعه اطلاعات را به خود اختصاص داده است. از این مجموعه برای آموزش شبکه و بدست آوردن پارامترها وزن و … استفاده می شود. داده های مجموعه تایید در حین یادگیری شبکه با داده های آموزش برای مقایسه و پیش بینی استفاده می شود و در نهایت داده هدف شبکه های عصبی، کوشش برای ساخت الگوهایی است که همانند فکر انسان عمل می کند. عملکرد شبکه عصبی ایجاد یک الگوی خروجی بر اساس الگوی ورودی ارائه شده به شبکه عصبی متشکل از تعدادی عناصر پردازشی (نرون های مصنوعی) می باشند که این نرون ها درون داده ها را دریافت و پردازش می کنند و در نهایت، یک برون داد از آن ارائه می دهند. درون داد می تواند داده های خام یا برون داد دیگر عناصر پردازشی باشد. برون داد نیز می تواند محصول نهایی یا درون دادی برای یک نرون دیگر باشد.
یک شبکه عصبی مصنوعی متشکل از نرونهای مصنوعی می باشد که در واقع همان عناصر پردازشی هستند که در ذیل به اختصار معرفی می گردند:
X ها ورودی های نرون یا به عبارتی همان متغیرهای مستقل می باشند، Y یا Y ها خروجی های نرون یا همان متغیرهای وابسته یا تبیین شونده می باشند.W ها وزن های اختصاص یافته به هر ورودی خواهد بود و net تابع مجموع است که در واقع مجموع موزون ورودی ها را محاسبه می کند، f هم تابع تبدیل تابع مجموع است که رابطه بین سطح فعال شدن و برون داد را توصیف می کند و دارای انواع مختلفی از جمله تانژانت هیپربولیک، سیگموئید و … می باشد.
شبکه های عصبی مصنوعی همچنین دارای انواع مختلفی می باشند که دو نوع مهم و پرکاربرد آن شامل شبکه های پیشخور و شبکه های پسخور می باشند. شبکه های پیشخور شبکه هایی هستند که ارتباط در آنها یک طرفه می باشد و از نرون های ورودی اطلاعات به نرونهای دیگر انتقال می یابد. در حالیکه در شبکه های پسخور ارتباط دو طرفه است و جریان اطلاعات از لایه های جلوتر به نرون های اولیه هم منتقل می شوند. شبکه عصبی پرسپترون از نوع شبکه های عصبی مصنوعی پیشخور می باشد که در آن لایه های مختلفی مانند لایه های ورودی، لایه های پنهان و لایه های خروجی وجود خواهد داشت. این معماری پرکاربردترین معماری شبکه عصبی است.
در این تحقیق قصد بر آن است که قیمت سهام براساس اطلاعات مالی گردآوری شده از ۲۱ شرکت را طی یک بازه زمانی ۸ ساله (۱۳۸۵ تا ۱۳۹۱) برمبنای متغیرهای پیش بین (بازده بازار، اهرم مالی، ریسک سیستماتیک، اندازه شرکت، میزان نقد شوندگی سهام و نسبت قیمت به سود تقسیمی) با روش شبکه عصبی پیش بینی شود.

۴-۵: مدل سازی و پیش بینی با بهره گرفتن از شبکه عصبی مصنوعی پرسپترون چندلایه

در این مرحله داده های ورودی به شبکه عصبی به سه بخش ۱٫ مجموعه آموزش شامل اطلاعات ۲۱ شرکت در سالهای ۱۳۸۵ تا ۱۳۸۷ معادل با ۵۰% کل داده ها. ۲٫ مجموعه تایید شامل اطلاعات ۲۱ شرکت در سالهای ۱۳۸۸ و ۱۳۸۹ معادل با ۲۵% داده ها و ۳٫ مجموعه آزمایش شامل اطلاعات ۲۱ شرکت در سالهای ۱۳۹۰ و ۱۳۹۱ می باشند.
مجموعه های آزمایش برای اندازه گیری قابلیت تعمیم شبکه به آن ارائه می شوند.
برای تعیین بهترین شبکه، پس از طراحی های مختلف، نهایتاً شبکه با طراحی ۳ لایه (یک لایه ورودی، یک لایه پنهان و یک لایه خروجی) و تعداد ۱۰ گره در لایه پنهان بهترین برازش را ارائه نمود. بنابراین شبکه ای با طرح (۱-۱۰-۶) ارائه و مورد استفاده قرار گرفت. همچنین بهترین تابع تبدیل (تابع فعال کننده) برای لایه ها یا (تابعی که بین حاصل جمع وزن دهی شده واحدها در یک لایه و مقادیر لایه بعدی ارتباط برقرار می کند) تانژانت هیپربولیک است. یکی از مهمترین مزایایی این روش این است که بصورت خودکار از روش مقیاس بندی مجدد استفاده می کند تا به داده های نرمال شده دست یابد.

۴-۶: اطلاعات شبکه

جدول ۴-۴: جدول اطلاعات شبکه