پیش بینی قیمت سهام بورس اوراق بهادار بر پایه روش خوشه بندی فازی

فراوانی مقالاتی که قیمت سهام را به عنوان منبع اطلاعاتی خود مورد استفاده قرار داده اند، خود به تنهایی حاکی از اهمیت بسیار بالای این موضوع است. به طوری که در سالهای 2010، 2011 و 2012 (4 ماه) به ترتیب 1204، 1488 و 932 کتاب و مقاله در این مورد به چاپ رسیده است. در بخش ریاضی پایان نامه ، مسئله پیش بینی، تحقیقات بسیاری در این زمینه صورت پذیرفته است که اکثریت آنها در ابتدا بر پایه الگوریتم های اولیه مانند : مدل های اتو رگرسیون (ar)(champernowne, 1948) ، مدل های اتو رگرسیون با میانگین متحرک (arma) (box & jenkins,1994)و مدل های اتو رگرسیون با میانگین متحرک تجمعی (arima) (box & jenkins,1994)بوده است. سپس در دهه اخیر با ورود مدل های ابتکاری و فرا ابتکاری ، تحول عظیمی در زمینه پیش بینی به وجود آمد که از نتایج بسیار مهم آن می توان به حل کردن مدل های غیر خطی و بی نظم، با سرعت بیشتر اشاره کرد. از جمله این تحقیقات می توان به موارد زیر اشاره کرد. - شبکه های عصبی مصنوعی (ann) : (hansen & nelson, 1997;kim & han, 2008; kwon & moon, 2007; qi & zhang, 2008; zhang& zhou, 2004, thawornwong, s., and d. enke,2003 )، - بردار پشتیبانی رگرسیون (svr) : (cao & tay, 2001,2003; fernando, julio, & javier, 2003; pai &lin, 2005; valeriy & supriya, 2006; yang, chan,& king, 2002) - آنالیز رگرسیون چندگانه (mra) : "chi-yuan yeh, chi-wei huang, shie-jue lee, 2011" در این مقاله به پیش بینی قیمت سهام با استفاده تابع و ماتریس وزنی kernel و الگوریتم دو مرحله ای آموزشی چند گانه kernel با بهینه سازی کمینه ترتیبی پرداخته است. hadavandi et al., 2010; chang and liu, 2008;esfahanipour and aghamiri, 2010)) - آنالیز الگوریتم ژنتیک (ga) : (chang & wang, 2006;chang, wang, & yang, 2004; chang & warren liao, 2006; corani& guariso, 2005; khokaharm & sap, 2004;yu, wang,& lai, 2005 ). اخیراً موضوع اعداد و قواعد فازی در الگو های ریاضی با اعمال احتمالات خوش بینانه، متوسط و بد بینانه، کمک شایانی به بالا بردن دقت محاسبات کرده است به نحوی که نتایج حاصل از به کار گیری این قواعد در متد های مختلف در پیش بینی، فاصله بسیار کمی با واقعیت دارد. لذا در 4- 5 سال اخیر تحقیقات وسیعی در این زمینه انجام گرفته که حاصل آن مقالات متنوع در این زمینه است. از این جمله می توان به مقالات زیر اشاره کرد : - شبکه های عصبی فازی (fnn) : "tiffany hui-kuang , kun-huang huarng,2010" پیش بینی قیمت سهام تایوان را با استفاده از ترکیب روابط فازی و الگوریتم شبکه های عصبی (fnn) انجام داده اند. (chang & liu, 2008;oh, pedrycz, & park, 2006; zarandi, rezaee, turksen, & neshat,2009; jian-zhou wang , ju-jie wang, zhe-george zhang , shu-po guo, 2011 ; ) - مدل های neuro-fuzzy نوع 2 : " chih-feng liu, chi-yuan yeh, shie-jue lee, 2012" به بررسی پیش بینی قیمت سهام با استفاده از الگوریتم آموزشی ترکیبی قوانین tsk و فازی، در بازار های taiex و nasdaq پرداختند . george s. atsalakis , kimon p. valavanis,2010"" - مدل های ترکیبی ژنتیک فازی و شبکه های مصنوعی : hadavandi, e., h. shavandi, and a. ghanbari,2010"" که به بررسی پیش بینی قیمت سهام با حداقل داده های ورودی بر اساس الگوریتم ژنتیک فازی (gfs) و شبکه های عصبی مصنوعی خود سازمان ده (som) با آنالیز رگرسیون گام به گام (sra) پرداخته اند. همان طور که در بالا مشاهده نمودید، روش های بسیار متنوعی در زمینه پیش بینی مورد تحقیق و بررسی قرار گرفته که اکثریت این تحقیقات بر روی مدل های فرابتکاری خصوصاً شبکه های عصبی انجام شده است. متدولوژی شبکه های عصبی که در واقع از روی شبکه عصبی انسان کپی برداری شده، روشی بسیار پیچیده و در عین حال زمان بر است. همچنین روی این موضوع به اندازه ای کار شده که دیگر جایی برای پیشرفت آن در بخش پیش بینی وجود ندارد. در 2-3 سال اخیر متدولوژی جدیدی به نام دسته بندی (کلاس بندی و یا خوشه بندی) (clustering) در زمینه پیش بینی مطرح شده است. البته سوابق اولیه متدولوژی به سال های (cheng et al., 2006) , (yu, 2005) و hwang c., and f. chung-hoon rhee,2007) ) باز می گردد، اما به کار گیری این روش در زمینه پیش بینی به سال های 2010، 2011 و 2012 میلادی منتج می شود و تحقیقات محدودی در این مدت کوتاه روی این زمینه صورت گرفته است. از جمله این تحقیقات می توان به موارد زیر اشاره کرد. hadavandi, e., h. shavandi, and a. ghanbari , در سال 2011 به پیش بینی فروش را بر اساس clustering k-mean انجام داده و با الگوریتم (kgfs) اجرا نموده و با خطاهای (mape) و (rmse) ارزیابی کردند. سایر تحقیقات در این زمینه شامل aliev et al., 2011, gardashova et al. 2010; okan duru2012 است . در این پایان نامه با ترکیب این رویه با اعداد فازی و سری های زمانی سعی در بهبود این روش داریم تا بتوانیم نتایجی دقیق تری نسبت به سایر متد ها به دست بیاوریم.