بررسی مقایسه ای پیش بینی بازده بازار سهام با استفاده از روش داده کاوی توام با شبکه عصبی: مطالعه موردی بازار سهام تهران

پایان نامه
چکیده

سرمایه گذاری دربازارسرمایه مستلزم تصمیم گیری می باشدکه این خودنیازمنددستیابی به اطلاعاتی درخصوص روند تغییرات ووضعیت بازار سهام می باشد. لذادرصورتی که بتوان روند تغییرات بازارسهام و پیش بینی این تغییرات را با روش های مناسب بررسی نمود،سرمایه گذارمی تواند بازده حاصل از سرمایه گذاری خود را هدفمند ساخته و باعث رونق در این بازار شوند.این پژوهش که با موضوع بررسی مقایسه ای پیش بینی بازده بازار سهام با استفاده از روش داده کاوی توام با شبکه عصبی :مطالعه موردی بازار سهام تهران صورت پذیرفته در پی دست یابی به روش دقیقی برای پیش بینی بازار سرمایه بوده که در مدل ارائه شده پژوهش که داده کاوی توام با شبکه عصبی است ، توانسته است، از عهده این مهم بر آید. روش پژوهش از نوع کتابخانه ای بوده که با مراجعه سایت بازار سرمایه و نرم افزار ره آورد نوین ،داده هایی چون قیمت سهام، حجم مبادلات، نسبتp⁄e و نسبت ارزش اسمی با ارزش بازار سهام، برای پیش بینی بازده بازار سرمایه مورد استفاده قرار گرفته است. نتایج حاکی از آن است که با پیش بینی تغییرات قیمت سهام با 1/1068 و میانگین خطای0.96969 ودر مورد حجم مبادلات پیش بینی تغییرات آن با 1/1068و میانگین خطای0.96969 و مورد نسبت p⁄e21 شرکت با میانگین ارزش سهام با54.16667 تغییرات پیش بینی آن با 3125/1و میانگین خطای0.93969 و تعداد 9 شرکت با میانگین ارزش سهام با 33/4553،با سود سهام میانگین 0/8952 و خطای متوسط 0.93681 ودر مورد نسبت ارزش اسمی سهام به ارزش بازار تعداد 21 شرکت با میانگین ارزش سهام 588.337 تغییرات پیش بینی آن با 9/38و میانگین خطای0.93869 مدل ارائه شده به خوبی این نسبت را پیش بینی نموده است.

منابع مشابه

پیش بینی بازده بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی

همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد...

متن کامل

پیش بینی سقوط بازار سهام با استفاده از شبکه های عصبی نگاشت خود سازمان ده

سقوط بازار پدیده­ای است که سبب از دست رفتن ثروت و دارایی سرمایه‎گذاران در بازۀ زمانی نسبتاً کوتاهی می­شود، از این رو تلاش برای پیش­بینی آن از اهمیت زیادی برای سرمایه­گذاران، سیاست‎گذاران، نهادهای مالی و دولت برخوردار است. بررسی اجمالی تئوری­ها و مدل‎های ارائه‎شدۀ پیش­بینی سقوط در بازار سهام نشان می­دهد میان پژوهشگران دربارۀ الگوهای مشاهده‎شدۀ متغیرها، مانند حجم معامله، بازده‎ها، نوسان‎پذیری، عوا...

متن کامل

پیش‌بینی بازده آتی بازار سهام با استفاده از مدل‌های آریما، شبکه عصبی و نویززدایی موجک

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع‌های مهم و مورد توجه محافل علمی و سرمایه‌گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش‌های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق‌تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترک...

متن کامل

پیش بینی بازده سهام با استفاده از روش انقباضی LASSO

انتخاب متغیر، یکی از مراحل مهم در مدل­سازی آماری است. برای این منظور، معمولاً از روش­هایی نظیر حذف پسرو استفاده می­شود. از آنجایی که در این روش­ها دو مرحله ی برآورد مدل و انتخاب متغیر به طور جداگانه صورت می­گیرد، نتیجه­ی حاصل بی­ثبات خواهد بود. به همین دلیل اخیراً گروه دیگری از روش­های انتخاب متغیر به نام روش­های انقباضی مطرح شده­اند که در این بین، LASSO از محبوبیت ویژه­ای برخوردار است. در این تح...

متن کامل

پیش بینی بازار سهام با استفاده از شبکه عصبی ترکیبی

بازار سهام یک سیستم غیر خطی با دینامیک بسیار پیچیده است. زیرا دینامیک این سیستم را انسان ها ایجاد می کنند. شبکه های عصبی بر اساس توانایی آن ها در مدل سازی روابط غیر خطی میان داده های ورودی-خروجی، ابزار مناسبی برای مدل کردن و پیش بینی سیستم ها با دینامیک غیر خطی و پیچیده هستند. بنابراین انتظار می رود این شبکه ها برای پیش بینی بازار سهام کارآمد باشند. در تحقیقات پیشین مطالعات زیادی بر روی بازار ...

15 صفحه اول

پیش بینی نوسانات بازده بازار با استفاده از مدل های ترکیبی گارچ ـ شبکه عصبی

در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تأیید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - موسسه آموزش عالی غیرانتفاعی و غیردولتی رجاء قزوین - دانشکده مدیریت

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023