۱۶۷۵۲
ARMA
۴٫۲۱%
۱۲٫۷۶
۲۰۸۶۶
رگرسیون چند متغیره
۳٫۹۷%
۱۲٫۰۵
۲۰۰۶۲
۴-۶- جمع بندی
همانگونه که از جداول بر می آید، شبکه عصبی در مورد سهم بانک پارسیان دارای MAD 37.28 بوده است که از مقادیر مربوط به رگرسیون چند متغیره با ۳۷٫۵۴ و مدل سری زمانی با ۳۸٫۷۵ عملکرد بهتری داشته است. همچنین میزان MADP آن نیز با ۱۲٫۳% کارکرد مناسب تری را نسبت به رگرسیون چند متغیره و سری زمانی با به ترتیب ۱۲٫۳۸% و ۱۲٫۷۸% نشان می دهد. مقدار MSE به دست آمده نیز با مقدار ۸۷۳۲ برای شبکه عصبی کارکرد بالاتری از رگرسیون چند متغیره و سری زمانی با ۸۹۳۹ و ۹۶۷۴ را تأیید می کند. با بسط استدلال ذکر شده، برای سهم شیمیایی فارس و فولاد مبارکه نیز، شبکه عصبی با مقادیر MADP به ترتیب ۳٫۶۵% و ۱۵٫۹۷% کارکرد بالاتری نسبت به رگرسیون چند متغیره با ۱۸٫۰۹% و ۳٫۹۷% و سری زمانی با ۲۱٫۲۴% و ۴٫۲۱% دارد. همین امر توسط معیارهای MAD و MSE نیز تأیید می گردد.
فصل پنجم
نتیجه گیری
۵-۱- مقدمه
در این فصل، نتایج به دست آمده از این پژوهش به اجمال بیان شده و پیشنهاداتی برای توسعه تحقیقات در این حوزه بیان می گردد.
۵-۲- جمع بندی تحقیق
هدف این تحقیق، انجام پیش بینی با بهره گرفتن از داده کاوی و شبکه عصبی بوده است. در فصل اول، به تعریف و تبیین اهمیت پیش بینی دقیق در جهت کاهش ریسک سرمایه گذاری در بورس اوراق بهادار پرداخته شد. در فصل دوم، امکان پذیر بودن پیش بینی بازار سهام و نظریه کارایی بازار سرمایه فاما، به نقد و تحلیل گذاشته شده و به این نتیجه رسیده شد که باید بازار واقعی را ترکیبی از کارا و ناکارا در نظر گرفته و لذا بازار واقعی را پیش بینی پذیر انگاشت. در ادامه به توضیحات کلی در مورد ابزار تحقیق از جمله داده کاوی، شبکه عصبی و تحلیل تکنیکال پرداخته شده و پژوهش های پیشین مورد بررسی قرار گرفتند. در حین مرور این پژوهش ها به بکر بودن حوزه داده کاوی سری زمانی در پیش بینی سری قیمت های سهام در بازار بورس اوراق بهادار و ناکارآمد بودن مدل های ساخته و معرفی شده برای پیش بینی قیمت یک دوره جلوتر، تاکنون اشاره شد. در فصل سوم با بیان این مسئله که هم تحلیل تکنیکال و هم پیش بینی با بهره گرفتن از متدهای کلاسیک سری زمانی، توانایی بالایی در پیش بینی قیمت و رفتار سهام در آینده را دارند؛ مدلی ساخته شد که طی آن هر دو این مدل ها در قالب یک شبکه عصبی گسترده برای پیش بینی قیمت سهام به کار گرفته شدند. برای این مهم، در ابتدا سه پایگاه داده برای پیش بینی قیمت سه سهم بانک پارسیان، فولاد مبارکه اصفهان و صنایع شیمیایی فارس ساخته شده و اطلاعات مورد نیاز تشکیل شدند. در فصل چهارم بر طبق متدهای پیش پردازش داده کاوی به کاهش سطری و ستونی پایگاه های داده پرداخته شده و سپس به داده کاوی سری های زمانی و شناسایی شبیه ترین سری های زمانی به سری زمانی هدف در هر پایگاه داده اقدام شد. در نهایت، معیارهای باقی مانده در پایگاه های داده به عنوان ورودی های شبکه عصبی با یک لایه پنهان وارد شده و الگورتیم BPNN برای یادگیری شبکه انتخاب شد. نتایج به دست آمده از شبکه ساخته شده با نتایج پیش بینی به روش های رگرسیون چند متغیره و سری زمانی مقایسه شده و دو معیار MSE و MAD مورد بررسی قرار گرفتند. کارکرد شبکه عصبی در پیش بینی قیمت در هر سه پایگاه داده و هر دو معیار به خوبی قابل مشاهده بود.
۵-۳- نتایج و نوآوری های تحقیق
موارد زیر را می توان به عنوان نوآوری ها و نتایج این تحقیق نام برد :
- استفاده از داده کاوی سری های زمانی در میان شرکت های حاضر در هر یک از صنایع مربوطه به منظور استفاده از سری زمانی مشابه برای پیش بینی قیمت سری زمانی هدف
- استفاده از شبکه عصبی برای پیش بینی قیمت های بالا و پایین سهام برای یک دوره جلوتر، که پیش تر از آن عدم وجود آن باعث ناکارآمد شدن پژوهش های انجام شده در پیش بینی های کوتاه مدت شده بود.
۵-۴- پیشنهادات برای تحقیقات آتی
- ترکیب کردن متغیرهای مربوط به تحلیل بنیادین در روش استفاده شده در تحقیق حاضر به عنوان ورودی های شبکه عصبی
- داده کاوی سری های زمانی در سطح تمام بازار به منظور بالا بردن دقت شناسایی شبیه ترین سری زمانی به سری زمانی هدف
- ترکیب کردن شبکه عصبی و ماشین بردار پشتیبان، به این صورت که باقیمانده های پیش بینی با شبکه عصبی توسط ماشین بردار پشتیبان پیش بینی گردن
فهرست مراجع
Adya, M., Collopy, F., 1998. How effective are Neural Networks at Forecasting and Prediction? A Review and Evaluation. Journal of Forecasting, J. Forecast, 1(7), pp. 481 – ۴۹۵٫
Altay, E., Satman M. H., 2005. Stock market forecasting: artificial neural network and linear regression comparison in an emerging market. Journal of financial management and papers. Available from:http://papers.ssrn.com/sol3/DisplayAbstractSearch.cfm
Armano, G., Marchesi, M., Murru, A., 2005. A hybrid genetic-neural architecture for stock indexes forecasting. Journal of Information Sciences Elsevier, 3(4), pp. 54-61.
Bisoi, R., Dash, P. K., 2014. A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter. Journal of Applied Soft Computing, ۳(۱۹), pp. 41-56
Bruce, J., stone, V., Finnie, G., Tan, C., 2004. Applying Fundamental Analysis and Neural Networks in the Australian Stockmarket Bond University. ePublications@bond, Available from http://bond.edu.au/library-and-online-resources/search/bond-university-research
Cao, J., Liang, J., 2004, Boundedness and stability for Cohen–Grossbergneural network with time-varying delays. Journal of Mathematical Analysis and Applications Elsevier, 2(5), pp. 78-84.
Cao, J., Wang, J., 2005. Global asymptotic and robust stability of recurrent neural networks with time delays. Circuits and Systems I: Regular Papers. Available from http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=13
Chang, C., Yon, W., Chen, Y. L., 2010. Mining associative classification rules with stock trading data – A GA-based method. Available from Knowledge-Based Systems, Volume 23(6), pp. 605-614
Chann, C. P., Wang, D. D., Zhou, CH. L., 2012. A novel model by evolving partially connected neural network for stock price trend forecasting. Journal of Expert Systems with Applications, ۳۹(۱), pp. 611-620.
Charkha, P. R., 2008. Stock Price Prediction and Trend Prediction Using Neural Networks. Journal of First International Conference on Emerging Trends in Engineering and Technology, ۳(۷), pp. 592-594.
