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
- وزارت علوم، تحقیقات و فناوری - موسسه آموزش عالی غیرانتفاعی و غیردولتی رجاء قزوین - دانشکده مدیریت
- نویسنده محمدرضا لطفی
- استاد راهنما روح الله بیات آرش حاجی کریمی
- سال انتشار 1393
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 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 کاملپیشبینی 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 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 کاملپیش 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 اولپیش 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 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 - موسسه آموزش عالی غیرانتفاعی و غیردولتی رجاء قزوین - دانشکده مدیریت
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023