پیش بینی بازده بازار سهام با روش انتروپی و شبکه های عصبی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه سمنان - دانشکده ریاضی و کامپیوتر
- نویسنده شمیم صارمی نمین
- استاد راهنما علیرضا بحیرایی محمدرضا صافی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1393
چکیده
تاکنون اندازه های زیادی از اندازه وابستگی مطرح شده اند که هر کدام برای نیازهای متفاوت فرآیندهای مورد مطالعه ساخته شده اند. یکی از مجموعه چنین اندازه هایی، توابع انتروپی با توجه به تئوری اطلاعات هستند. برای مثال اطلاعات متقابل شانون و واگرایی کولبک-لایبلر در موارد غیر خطی بسیار گسترش یاف اند،این اندازه ها همچنین در آنالیز سری های زمانی نیز به کار می روند.اگرچه بیشتر چنین اندازه هایی متریک نیستند و بنابراین در نامساوی مثلثی صدق نمی کنند و عملگرهای جابه جایی پذیری نیستند.چنین کاستی هایی برای بیشتر آزمون هادارای اهمیت ویژه ای نیستند اما روی توانایی ارزیابی و درجه بیان وابستگی یا انحراف از نقاط مورد نظر ما، یا برای یافتن حداقل فاصله و جواب های بهینه مدل تاثیر می گذارند. در این پایان نامه از اندازه نرمال شده ماتوسیتا-باتاچاریا-هلینجر استفاده خواهد شد که اندازهای متریک است و به صورت کامل در فصل دوم معرفی می شود. اندازه ای نرمال شده که برای وابستگی غیرشرطی و ناپارامترک به کار می رود و برای مشخص سازی یک وابستگی غیر خطی کلی و محتمل بسیار موفق عمل می کند. اندازه های انتروپی دیگری مانند اندازه کولبک-لایبلر نیز کاربرد خوبی در آزمون استقلال و سایر آزمون ها نشان می دهد. استقلال یکی از مهم ترین مفاهیم در اقتصادسنجی است که به عنوان آزمونی برای فرضیات استقلال به کار می رود، مقالات بسیاری در مورد آزمون استقلال بحث کرده اند. نحوه آزمون فرآیندها و یافتن آزمونی مناسب برای انجام فرضیه مورد استفاده روی فرآیندها و نحوه گسترش چنین مفهومی بسیار مهم است. مثلا برای دو فرآیند x_t و y_t که مستقل و به طور یکسان توزیع شده اند می توان چنین فرضیه ای ساخت .h_0 : f_{xy} (x_t,y_t) = f_x (x_t) f_y (y_t) a.s و از آزمون سریالی برای آزمون انتروپی استفاده خواهد شد. استراتژی بر اساس اندازه گیری نزدیکی بین تخمین زننده های کرنل چگالی توام و حاصلضرب چگالی های حاشیه ای آن است. فاصله مورد استفاده ما اندازه انتروپی ماتوسیتا-باتاچاریا-هلینجر است. بسته npdeptest در بسته {np} توصیف و شرح داده شده است. ما بسته های npdeptest و npsdeptest را به وسیله داده های واقعی برای قیمت بسته شده تعدیلی ماهانه شاخص s&p500 در یک دوره 64 ساله به کار بردیم. یک کاربرد چگالی کرنل غیرپارامتریک در حالت پیوسته و گسسته برای داده های به دست آمده از یک مدل رگرسیون خطی و یک مدل اتورگرسیو به کار رفته است. کارهایی که در آینده امکان انجام آنها ممکن است را بیان خواهیم کرد. کلمات کلیدی{اندازه انتروپی ماتوسیتا-باتاچاریا-هلینجر، پیش بینی پذیری بازده مازاد سهام، استقلال، آزمون استقلال سریالی }
منابع مشابه
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 کاملپیش 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 کاملپیش 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 کاملپیش بینی بازده سهام با روش شبکه عصبی مصنوعی
پیش بینی در حسابداری از دیرباز مورد توجه متفکران و اندیشمندان این حرفه بوده است و پیش بینی بازده سهام برای دوره های آتی، از مهم ترین ضروریت های مدیریت واحدهای اقتصادی است. روشن است که خصوصیت عدم اطمینان، امر نامطلوبی است و از طرفی برای سرمایه گذارانی که بورس را به عنوان مکان سرمایه گذاری انتخاب نموده اند این خصوصیت اجتناب ناپذیر است. بنابراین به طور طبیعی تمام تلاش سرمایه گذار کاهش عدم اطمینان ...
ترکیب شبکه های عصبی برای پیش بینی قیمت سهام
در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...
متن کاملپیش 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 کاملمنابع 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 - دانشگاه سمنان - دانشکده ریاضی و کامپیوتر
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023