پایان نامه پیش بینی قیمت سهام با داده کاوی
پایان
نامه پیش بینی قیمت سهام با داده کاوی با عنوان کامل پیش بینی قیمت سهم در
بورس اوراق بهادار به کمک داده کاوی با الگوریتم های ترکیبی تکاملی می
باشد.
مشخصات فایل| تعداد صفحات | 114 |
| حجم | 1792 کیلوبایت |
| فرمت فایل اصلی | docx |
| دسته بندی | رشته فناوری اطلاعات (IT) |
توضیحات کاملپایان نامه پیش بینی قیمت سهام با داده کاوی با عنوان کامل پیش بینی قیمت سهم در بورس اوراق بهادار به کمک داده کاوی با الگوریتم های ترکیبی تکاملی می باشد.
محققان بسیاری سعی نموده اند تا با به کارگیری روشهای گوناگون پیش بینی به نتایج قابل قبولی در پیش بینی قیمت سهام در
بازارهای پول و سرمایه دست یابند. سیر تحقیقات نشان دهنده آن است که از
مدلهای ساده و تک بعدی ابتدایی، روشها به سمت مدلهای روشهای زمانی، مدلهای
بهینه سازی کلاسیک، روشهای هوش مصنوعی و روشهای ترکیبی حاصل از ترکیب انواع
مدلهای اشاره شده حرکت نموده اند. در مواردی روشهای مبتنی بر تحلیل سری
های زمانی مانند الگوریتم هموارسازی نمایی و یا تحلیل روند مورد استفاده
قرار گرفته اند. تحقیقات متعددی با هدف پیش بینی قیمت سهام شرکتها
در بازارهای پول و سرمایه با روشهای مختلفداده کاوی صورت گرفته است. بسیاری
تحقیقات بر اساس به کارگیری شبکه عصبی مصنوعی شکل گرفته اند و محققان به
اشکال گوناگون به بررسی کارایی آن الگوریتم پرداخته اند.
در تحقیقی [1] از شبکه عصبی پیشرو به منظور پیش گویی قیمت سهام
استفاده نموده اند. در این تحقیق، به کمک فرایند داده کاوی یکپارچه، داده
های انتخاب، نمونه داده ها، تبدیل داده ها، مدلسازی شبکه، شبیه سازی شبکه و
ارزیابی نتایج به دست آمده، پیش گویی روند شاخص کل بازار بوری شانگهای با
دقت بالاتری به دست آمد. نتیجه این تحقیق، مزیت استفاده از شبکه عصبی پیشرو
با یادگیری پیش انتشار را در پیش گویی سیستمهای غیرخطی نشان داد.
همچنین در تحقیق دیگری [2] به مطالعه تجربی بر روی یک شبکه عصبی مصنوعی، که حاصل تجارب پیاده سازی مدل انتشار – بازگشتی پیش بینی قیمت سهام
است را گزارش می دهد پرداختند. در راستای آزمون قابلیتهای پیش بینی شبکه
عصبی، مدل انتشار – بازگشتی برای پیش بینی قیمت سهام ایجاد گردید.
پارامترهای این نوع شبکه تغییر داده شد و نتایج پیش بینی ثبت گردید. این
پارامترها عبارت بودند از : الگوریتم یادگیری، بازه نگاه به گذشته، تعداد
نورون ها در لایه پنهان و توابع فعال ساز که اثرات تغییرات آنها در این
مقاله موردمطالعه قرار گرفت .
فهرست مطالب
فصل 1 : معرفی تحقیق 1
1-1 مقدمه 1
1-2 تعریف مساله 2
1-3 اهمیت مساله 3
1-4 هدف تحقیق 5
1-5 سئوالات تحقیق 6
1-6 مفروضات تحقیق 7
1-7 دامنه تحقیق 8
1-8 ساختار تحقیق 9
فصل 2 : پیشینه تحقیق 11
2-1 مدلهای پیش بینی قیمت سهم در تحقیقات پیشین 11
2-2 انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشین 22
فصل 3 : مبانی نظری تحقیق 24
3-1 بازار بورس اوراق بهادار 24
3-2 تکنیکهای رایج تحلیل و پیش بینی قیمت سهام 25
3-3 تکنیکهای نوین تحلیل داده ها 27
3-3-1 داده کاوی 28
3-3-2 شبکه عصبی مصنوعی 35
3-3-3 الگوریتمهای تکاملی 41
3-3-3-1 الگوریتم ژنتیک 44
3-3-3-2 الگوریتم بهینه سازی ازدحام ذرات 47
3-3-3-3 الگوریتم رقابت استعماری 51
فصل 4 : روش تحقیق 57
4-1 فرایند CRISP 57
4-1-1 تعریف مساله 57
4-1-2 تحلیل داده ها 57
4-1-3 آماده سازی داده ها 58
4-1-4 مدلسازی 58
4-1-5 ارزیابی 59
4-1-6 پیاده سازی 59
فصل 5 : اجرا 60
5-1 اجرای فرایند CRISP 60
5-1-1 مجموعه داده ها 60
5-1-2 کیفیت داده ها و کاهش داده ها 64
5-1-3 پیاده سازی شبکه عصبی مصنوعی برای سری های زمانی 66
5-1-3-1 معماری شبکه عصبی مصنوعی 66
5-1-3-2 تطبیق ورودی های زمانی به عنوان ورودی شبکه عصبی مصنوعی 68
5-1-4 پیاده سازی آموزش شبکه عصبی مصنوعی با الگوریتمهای تکاملی 69
5-1-4-1 الگوریتم ژنتیک 70
5-1-4-2 الگوریتم بهینه سازی ازدحام ذرات 71
5-1-4-3 الگوریتم رقابت استعماری 73
5-1-4 به کارگیری شبکه عصبی مصنوعی آموزش دیده با الگوریتم های تکاملی 75
فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها 79
6-1 نتیجه گیری و پاسخ به سئوالات تحقیق 79
6-2 تحقیقات پیشنهادی آینده 84
فهرست منابع
پیوست ها 87
پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا 87
پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک 88
پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات 91
پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری 93
فهرست جدول ها
جدول شماره 2 1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر 13
جدول شماره 2 2: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگر 14
جدول شماره 2 3: نسل بندی روشهای تحقیق در پیش بینی قیمت سهم 16
جدول شماره 3 1: شبه کد الگوریتم پیش انتشار خطا 30
جدول شماره 3 2: شبه کد عمومی الگوریتم های تکاملی 32
جدول شماره 3 3: شبه کد الگوریتم ژنتیک 34
جدول شماره 3 4 : شبه کد الگوریتم ازدحام ذرات 37
جدول شماره 3 5 : شبه کد الگوریتم رقابت استعماری 41
جدول شماره 5 1: نماد سهم های انتخاب شده 46
جدول شماره 5 2: اندازه کاهش یافته داده ها 51
جدول شماره 5 3: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ژنتیک 54
جدول شماره 5 4: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ازدحام ذرات 55
جدول شماره 5 5: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم رقابت استعماری 56
جدول شماره 5 6: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ژنتیک 58
جدول شماره 5 7: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات 58
جدول شماره 5 8: نتایج mse شبکه عصبی آموزش دیده با الگوریتم رقابت استعماری 59
جدول شماره 5 9: نتایج mse شبکه عصبی آموزش دیده با الگوریتم پیش انتشار خطا 59
جدول شماره 6 1: میانگین و انحراف معیار خطای اجراهای ANN و BP 61
جدول شماره 6 2: نتایج خطای پیش بینی با ANN و PSO 63
جدول شماره 6 3: نتایج خطای پیش بینی با ANN و ICA 63
فهرست شکل ها
شکل شماره 3 1 : نمونه ای تحلیل قیمت سهم با ابزارهای رویکرد تحلیل تکنیکال 20
شکل شماره 3 2 : فرایند CRISP 23
شکل شماره 3 3 : ساختار یک نورون 27
شکل شماره 3 4 : نمونه ای از یک شبکه عصبی مصنوعی با یک لایه پنهان 28
شکل شماره 3 5 : نمونه نورون در شبکه عصبی مصنوعی پیشرو 29
شکل شماره 3 6 : فلوچارت عمومی الگوریتم های تکاملی 32
شکل شماره 3 7 : نمایش ترکیب تک نقطه ای 35
شکل شماره 3 8 : نمایش حرکت ذره در PSO 36
شکل شماره 3 9: نمایش نمونه ای تقسیم کلونی ها به امپریالیست ها 40
شکل شماره 3 10: حرکت خطی کلونی 41
شکل شماره 3 11: حرکت زاویه ای کلونی 41
شکل شماره 5 1 : نمودار قیمت روزانه سهام نماد بکام 48
شکل شماره 5 2 : نمودار قیمت روزانه سهام نماد وپارس 48
شکل شماره 5 3 : نمودار قیمت روزانه سهام نماد وغدیر 49
شکل شماره 5 4 : نمودار قیمت روزانه سهام نماد خودرو 49
شکل شماره 5 5 : نمودار قیمت روزانه سهام نماد رانفور 50
شکل شماره 5 6 : شبکه عصبی مصنوعی با داده های سری زمانی 53
شکل شماره 6 1 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا 61
شکل شماره 6 2 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا ANN و EAs 62
