5-3-1: پیشنهادات برای استفاده کنندگان از نتایج پژوهش 86
5-3-2: پیشنهادات براي تحقيقات آتي 86
5-4:محدودیت های پژوهش 87
Abstract 93

فهرست جداول
عنوان صفحه
جدول شماره 1-1 : متغيرهاي پژوهش و جنس آنها 6
جدول شماره 1-2: تعاریف عملیاتی متغیرهای پژوهش 7
جدول شماره 2-1: پيشينه تحقيق و تفاوت پيشينه مورد بررسي با تحقيق حاضر 49
جدول شماره 3-1 : تكنيك غربالي براي انتخاب بهترين حجم نمونه 64
جدول شماره 3-2 : ليست شركت هاي مورد بررسي در اين پژوهش 65
جدول شماره دو : متغيرهاي پژوهش و جنس آنها 66
جدول شماره 4-1: برآورد شاخص های مرکزی و پراکندگی متغیرها 69
جدول 4-2: بررسی توزیع نرمال بودن با آماره کولموگروف- اسمیرنوف 70
جدول4-3: خلاصه فرایند انجام شده 71
جدول 4-4: جدول اطلاعات شبکه 72
جدول4-4: خلاصه اطلاعات مدل 75
جدول شماره 4-5: خلاصه فرایند انجام شده 76
جدول شماره 4-6: اطلاعات شبکه 77
جدول شماره 4-7: خلاصه اطلاعات مدل 78
جدول شماره 4-8: نتایج آنالیز رگرسیون خطی 80
جدول شماره 4-9: نتایج آنالیز شبکه عصبی 80
جدول شماره 4-10:مقایسه پیش بینی شبکه عصبی و رگرسیون خطی با داده های واقعی 80
جدول شماره 4-11:نتایج آنالیز رگرسیون خطی 82
جدول شماره 4-12: نتایج آنالیز شبکه عصبی 82
جدول شماره 4-13: مقایسه پیش بینی شبکه عصبی و رگرسیون خطی با داده های واقعی 82

فهرست نمودارها
عنوان صفحه
نمودار شماره4-1: نمودار نمونه های آزمایشی با نمونه های تایید(قیمت) 73
نمودار4-2: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آموزشی و تایید 74
نمودار 4-3: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آزمایشی و کلی 74
نمودار شماره 4-4: انطباق خطاهای هر یک از نمونه ها با یکدیگر(قیمت) 75
نمودار شماره4-5: نمودار نمونه های آزمایشی با نمونه های تایید(بازده) 77
نمودار شماره4-6: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آموزشی و تایید 78
نمودار شماره4-7: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آزمایشی و کلی 78

فهرست شکل ها
عنوان صفحه

شكل2-1. يك نمونه شبكه عصبي 19
شکل 2-2 : ساختار يک سلول عصبی انسان 22
شكل2-3: يك نمونه عصب واقعي 23
شکل 2-4. ساختار يک نورون عصبی مصنوعی 24
شکل 2-5: نمونه ای از يک شبکه ی تک لايه 26
شکل 2-6 . نمونه ای از يک شبکه سه لايه 27
شکل 2-7 . نمونه ای از يک شبکه سه لايه 28
شکل 2-8 . نمونه ای از يک شبکه برگشتی 29
شکل 2-9 : نوع تابع تبدیل 30
شکل 3-1 : کیفیت پردازش اطلاعات در‌یک نرون مصنوعی 60
شکل 3-2: ساختار كلي شبكه هاي عصبي چند لايه پيش خور………………………………………………………………………..74

فهرست علامتها و اختصارها
معادل فارسی
علامت
معادل انگلیسی
سود هر سهم
EPS
Earning per share

چکیده
پیش بینی وضعیت آینده شرکت ها به موضوعات جذاب برای سرمایه گذاران و صاحبان سرمایه تبدیل شده است. قیمت و بازده سهام دو شاخص عمده هستند که همواره مورد توجه تحلیلگران بازار سرمایه قرار گرفته است. در عصر حاضر با توجه به پيشرفت فن آوری در زمينه علوم كامپيوتر و فراگير شدن آن در علوم مختلف، زمينه های استفاده از شبكه های عصبی مصنوعی با توجه به سرعت بسيار بالای پردازش در كامپيوترها به وجود آمده است. پژوهش حاضر در تلاش است تا با استفاده از شبکه های عصبی مصنوعی به پیش بینی قیمت و بازده سهام، و همچنین به مقایسه نتایج حاصله با رگرسيون خطي بپردازد. به همین منظور تعداد 21 شرکت سرمایه گذاری پذیرفته شده در بورس اوراق بهادار تهران از طریق تکنیک غربالی برای سالهای 1385 تا 1391 به مدت هفت سال مالی مورد بررسی و پژوهش قرار گرفته است. نتایج تحقیق حاضر حاکی از این است که پیش بینی قیمت سهام با استفاده از شبکه های عصبی مصنوعی امکان پذیر است. پیش بینی بازده سهام با استفاده از شبکه های عصبی مصنوعی امکان پذیر است. شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی برآورد بهتری از قیمت سهام دارد. شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی برآورد بهتری از بازده سهام دارد.
واژگان کلیدی: شبکه های عصبی مصنوعی، رگرسیون خطی، قیمت سهام، بازده سهام

فصل اول
کلیات تحقیق

1-1: مقدمه
پيش بيني و بررسي رفتار قيمت اوراق بهادار مقوله اي است كه دانشمندان علوم مالي و سرمايه گذاران همواره در پي بهينه سازي آن مي باشند. در عصر حاضر با توجه به پيشرفت فن آوري در زمينه علوم كامپيوتر و فراگير شدن آن در علوم مختلف، زمينه هاي استفاده از شبكه هاي عصبي مصنوعي با توجه به سرعت بسيار بالاي پردازش در كامپيوترها به وجود آمده است. اين شبكه ها با استفاده از قابليت يادگيري خود هر گونه تغييري در قوانين نهفته در سري هاي زماني را فرا گرفته و براي پيش بيني آينده از آن استفاده مي كنند(حیدری زارع و کردلویی، 1389). رشد اقتصادی مداوم و پایدار در هر اقتصادی مستلزم تجهیز و تخصیص بهینه منابع در سطح اقتصاد ملی میباشد (مهرآرا و همکاران، 1388). در ادبيات اقتصادي سرمايه به منزله رگ حيا
ت يك نظام اقتصادي تلقي ‌شده و بر تشكيل آن به عنوان مهمترين عامل تعيين كننده رشد و توسعه اقتصادي تأكيد زيادي شده‌است. اساساً میزان رشد و توسعه اقتصادی از یک سو در گرو انباشت سرمایه بوده و از سوی دیگر به عامل بهره‌وری در فعالیتهای اقتصاد بستگی دارد. این دو عامل اساسی به چگونگی فرآیند سرمایه‌گذاری بستگی دارد(موتمنی، 1388). بنابراین و با توجه به این نکته که، «يکي از مهمترین وظايف بازارهاي مالي، تسهيل تشکيل سرمايه می باشد»، بازارهای سرمایه و از جمله آنها بورس اوراق بهادار، به خوبی میتواند از عهده هر دو وظیفه اشاره شده (انباشت سرمایه و افزایش بهره وری اقتصادی) به خوبی برآید(سعیدی، 1388).
در این بین، پیش بینی نیز به عنوان یکی از عناصر کلیدی تصمیم‏گیری‏های اقتصادی، پیشامدهای آینده را با هدف کاهش ریسک تخمین می‏زند(حیدری زارع و کردلوئی، 1389). افزون بر این، وجود خطای پیش بینی در بکارگیری مدلهای مختلف طبیعی بوده و بالطبع مدلی ارجح تر است که از میزان خطای پیش بینی کمتری برخوردار باشد و لازمه این امر، وجود اطلاعات هر چه بیشتر درباره اجزاء مختلف سیستم مورد بررسی می باشد، که در بسیاری از موارد دسترسی به این اطلاعات بسیار سخت و گاهی ناممکن می باشد. در چنین شرایطی به منظور استمرار حضور سرمایه‏گذاران به عنوان‏ اصلی‏ترین ارکان بازار سرمایه، داشتن یک مدل پیش بینی مناسب سبب تخصیص بهینه منابع‏ و در نتیجه افزایش کارایی در این بازار می‏شود. از اینرو، بکارگیری مدلهای «سری زمانی تک متغیره» در قالب تحلیل تکنیکی میتواند پاسخی به این محدودیت باشد.
تحقیقات نشان می‏دهد اگر بتوان فرایند مولد داده‏های یک متغیر (خطی یا غیرخطی) را به‏ دست آورد پیش بینی آن متغیر راحت‏تر و با خطای کمتری امکان‏پذیر خواهد بود(مشیری‏ و فروتن، 1383). اگرچه مدل‏های خطی پیشرفته پیش بینی‏های مناسبی در دوره‏های زمانی‏ میان‏مدت و کوتاه‏مدت دارند، اما بررسی‏ها در بازار سرمایه نشان داده است که رفتار سهام‏ از یک الگوی خطی تبعیت نمی‏کند و الگوهای خطی تنها بخشی از رفتار سهام در بازار را نشان می‏دهد(مشیری و مروت، 1385). در این صورت وجود یک سیستم پویای غیرخطی در ارتباط با رفتار بازار مدل‏های موجود را عملاً دچار ابهام خواهد کرد. لذا پیش بینی‏ داده‏هایی که از این سیستم پیروی می‏کنند، نیازمند ابزارهای هوشمند و پیشرفته‏ای مانند شبکه‏های عصبی است. این شبکه‏ها به عنوان یکی از سیستم‏های هوشمند، می‏تواند رابطه‏ غیرخطی بین ورودی‏ها و خروجی‏ها را براساس مجموعه داده‏ها، تشخیص و روابط بنیادین‏ بین آنها را شناسایی نماید(البرزی و همکاران، 1388). در همین راستا پژوهش حاضر در تلاش است تا با استفاده از شبکه های عصبی مصنوعی به پیش بینی قیمت و بازده سهام در میان شرکتهای پذیرفته شده در بورس اوراق بهادار تهران بپردازد.
1-2 : بيان مسئله تحقيق
تاثیر بورس اوراق بهادار در توسعه اقتصادی یک کشور، امری بدیهی است. بازار سرمایه یکی از نهادهایی است که می تواند نقش بسزایی در گذار از اقتصاد توسعه نیافته به اقتصاد توسعه یافته ایفا کند. چرا که این بازار می تواند با تخصیص بهینه منابع و هدایت سرمایه های سرگردان به سمت سرمایه گذاری های مولد، به افزایش تولید کالا و خدمات در جامعه کمک نماید(چائوهان و همکاران، 2014) 1. یکی از مهمترین عوامل در تصمیم گیری صحیح، اطلاعات مناسب و مرتبط با موضوع تصمیم است (عسگری، 1383). در این تحقیق برآنیم که به بررسی تاثیر برخی متغیرهای مالی در پیش بینی بازده آتی سهام با استفاده از شبکه عصبی و رگرسیون خطی بپردازیم و با در نظر گرفتن تمامی این عوامل تاثیرگذار بر قیمت و بازده سهام، قیمت و بازده را با استفاده از دو روش فوق پیش بینی نماییم و به این سوال پاسخ دهیم که آیا شبكه هاي عصبي مصنوعي در مقایسه با رگرسیون خطی در پيش بيني قيمت و بازده سهام عملکرد بهتری خواهد داشت؟
1-3 : اهميت و ضرورت تحقيق:
در دهه‌های اخیر؛ جهانی سازی، تشکیل بازارهای مالی جدید، تشدید رقابت بین شرکت‌ها، موسسات و سازمان‌ها و همچنین تغییرات سریع اقتصادی، اجتماعی و تکنولوژی باعث افزایش عدم اطمینان و بی‌ثباتی در محیط‌های مالی شده و به تبع آن پیچیدگی فرآیند تصمیم‌گیری مالی نیز بیشتر شده است. در چنین شرایطی مسلماً بالندگی اقتصادی در گرو تصمیم‌گیری صحیح و تخصیص بهینه منابع خواهد بود، چرا که اگر سرمایه‌ها در فرصت‌های مناسب، سرمایه‌گذاری نشوند و یا به نحوی از آن‌ها استفاده شود که کارایی لازم را نداشته باشند، اقتصاد کلان کشورها دچار چالش‌های عظیمی خواهد شد. از این روست که امروزه در تمام اقتصادهای توسعه‌یافته و یا در حال توسعه از سرمایه‌گذاری و سرمایه‌گذاران حمایت گسترده‌ای به عمل می‌آید. همین دیدگاه سبب شده است تا سرمایه‌گذاری و بهره‌گیری مناسب از فرصت‌های سرمایه‌گذاری به یکی از مهم‌ترین موضوعات مطرح شده در زمینه مدیریت مالی تبدیل شود (اسلامی و جهانشاهی ،1376). قیمت و بازده سهام دو عامل مهم و تاثیرگذار برای سرمایه گذاران در سرمایه گذاری هاست. از این رو در صورتی که آنها نسبت به این دو عنصر قدرت پیش بینی و تخمین داشته باشند خواهد توانست افق بهتری برای سرمایه گذاری خود در نظر داشته باشد و در سطح گسترده تری به سرمایه گذاری بپردازند. از این رو ضرورت دارد تا چنین پژوهشی برای بهره مندی سرمایه گذاران و صاحبان کسب و کار در اختیار این دسته از افراد قرار گیرد.
جنبه
جديد بودن و نوآوري طرح : مطالعه حاضر به جهت مقایسه یک روش آماري قوي یعنی رگرسیون خطی چندمرحله اي و یک مدل فرا ابتکاري شناخته شده یعنی شبکه عصبی مصنوعی در مدل سازي ساختار سرمایه داراي نوآوري است. همچنین در ارتباط با جامعه آماری پژوهش می توان به پیاده سازی پژوهش در میان شرکت های سرمایه گذاری بورس اوراق بهادار تهران اشاره کرد که تاکنون به این طریق در این زمینه پژوهشی صورت نگرفته است.
1-4: اهداف تحقيق:
هدف از اجرای این تحقیق، بروز رسانی دانش سرمایه گذاران و به ویژه سرمایه گذاران نهادی برای پیش بینی قیمت سهام و همچنین شناخت GMDH بازار در استفاده از شبکه عصبی هوشمند در این پیش بینی است. با این حال، هدف آرمانی این تحقیق را می توان ارائه یک تحلیل مقایسه اي بین مدل رگرسیون و شبکه عصبی در مدل سازي ساختار سرمایه شرکت ها عنوان نمود. در این راستا اهداف فرعی نیز به شرح زیر مورد نظر محقق می باشد:
1.تعيين امكان پذيري پيش بيني قيمت و بازده سهام با استفاده از شبكه هاي عصبي مصنوعي.
1-1: تعيين امكان پذيري پیش بینی

دسته بندی : پایان نامه ها

دیدگاهتان را بنویسید