در این پایان نامه به بررسی پیشبینی قیمت سهام توسط شبکه عصبی پرداخته شد، هدف اصلی پاسخ به این پرسش بود که آیا می توان با استفاده از شبکه های عصبی و با استفاده از خواص آماری داده ها برای داده های ورودی به شبکه، برای تصمیم گیری در کشف قواعد نهفته در حرکات قیمت استفاده نمود، بطوریکه درصد صحت پیشبینی ها بیشتر از 50 % (روش تصادفی ) باشد برای این منظور از شبکه عصبی پیشخور با روش پس انتشار خطا استفاده شد، همچنین از چولگی و کشیدگی داده های مورد استفاده در تحقیق، برای داده های ورودی به شبکه استفاده شده است. در کنار هدف اصلی، مقایسه بازده حاصل از پیشبینی های انجام شده با استفاده از روش شبکه های عصبی در بورس اوراق بهادار تهران (شاخص 50 شرکت فعالتر بورس تهران) و شاخص dow jones که یکی از شاخص های اصلی بازار بورس ایالات متحده می باشد، بعنوان نمونه ای از کشورهای توسعه یافته انجام شده است. برای این منظور، از روش شبکه عصبی مصنوعی، مدلی برای پیشبینی قیمت شرکتهای انتخاب شده، طراحی شد. متغیر ورودی مورد استفاده در پژوهش شامل بیشترین قیمت، کمترین قیمت، قیمت بسته شدن، قیمت باز شدن و حجم مبادلات روزانه سهم می باشد. برای متغیرهای ورودی گشتاورهای استاندارد شده محاسبه می شود. برای داده هر سهم گشتاور سوم و چهارم برای هر کدام از ورودیها محاسبه میشود. با محاسبه گشتاورها برای همه ورودیها(5 ورودی) تعداد ورودیها به 10 عدد افزایش پیدا کرده و با اضافه کردن قیمت در روز دهم، تعداد ورودیهای مدل به 11 عدد می رسد. داده خروجی، قیمت خروجی در روز یازدهم می باشد، در ادامه کلیه داده ای ورودی و خروجی نرمالسازی شده و وارد شبکه میشوند، پس از نرمال کردن داده‏ها با انتخاب تعداد واحدهای پردازش اطلاعات در لایه پنهان، توابع تبدیل و نوع الگوریتم یادگیری مناسب، ساختار شبکه طراحی شده و سپس مقادیر شاخص قیمت سهام پیش‏بینی می شود. با مقایسه پیشبینی صحیح جهت قیمت، مشاهده شد که شبکه طراحی شده برای نمونه های انتخاب شده از بورس تهران مقادیر بهتری را ارائه می دهند ولی با توجه به معیارmape قیمت پیشبینی شده در شرکتهای انتخاب شده از شاخص jones dow -بجز چند مورد در بورس تهران که mape پایینی دارند- به مقدار واقعی نزدیکتر می باشند. در انتها فرضیه های تحقیق مورد آزمون قرار گرفت، برای آزمون فرضیه اول، از آزمون فرضیه نسبت موفقیت در جامعه استفاده شده است.با توجه به نتایج این ازمون میانگین پیشبینی صحیح مورد انتظار بیشتر از 50% می باشد. به‏منظور بررسی فرضیه دوم از آزمون بیلز استفاده شده است که با توجه به نتیجه ازمون، بین بازده روش شبکه های عصبی با استفاده از گشتاورهای متغیر تصادفی در بازار بورس ایالات متحده بعنوان نمونه ای از بازار، کشورهای توسعه یافته و بورس تهران بعنوان نمونه کشوری در حال توسعه، تفاوت معناداری وجود دارد.

مطالعه حاضر به بررسی رابطه علی بین متغیرهای قیمت نفت خام، نرخ دلار و قیمت جهانی طلا طی دوره 1995:1 تا 2012:5 با استفاده از رویکرد خود توضیح برداری (var) پرداخته است. . نتایج آزمون علیت گرنجر متغیرها حاکی از برقراری رابطه علیت معنی دار یکطرفه از سمت قیمت طلا به نرخ ارز می باشد. آزمون علیت گرنجر حاصل از برآورد مدل خودتوضیح برداری نیز شواهدی از برقراری یک رابطه علیت از سمت بازار نفت به نرخ ارز را نشان می دهد.نتایج بررسی آزمون همبستگی نشان می دهد که در کوتاه مدت نرخ ارز رابطه همبستگی منفی بر قیمت نفت و طلا دارد. بررسی آزمون هم انباشتگی نشان می دهد رابطه معنی داری بین متغیرها در بلندمدت وجود ندارد. همچنین نتایج حاصل از تجزیه واریانس متغیرهای قیمت جهانی نفت خام، قیمت طلا و نرخ ارز نشان می دهد که اغلب نوسانات متغیرها توسط جمله اخلال ناشی از خود متغیر توضیح داده می شود؛ اما میزان توضیح دهندگی تکانه های ناشی از بازار ارز از نوسانات دو بازار دیگر بیشتر از میزان توضیح دهندگی تکانه های بازار نفت و طلا از نوسانات بازار ارز است که نشانگر ارتباط نامتقارن بین بازارها و نقش مهم نوسانات نرخ دلار در تحولات قیمت سایر کالاها بویژه نفت خام می باشد.