پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون

word
81
1 MB
31054
1393
کارشناسی ارشد
قیمت: ۸,۱۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون

    پایان نامه کارشناسی ارشد مهندسی فناوری اطلاعات گرایش مدیریت سیستم های اطلاعاتی

    چکیده

     

     در دنیای امروز با توجه به تغییر سبک زندگی، مردم به دنبال روشی برای بهبود و پیشرفت وضع اقتصادی خود هستند، از مهمترین روشها برای بهبود در وضعیت مالی می­توان به افزایش درآمد اشاره کرد.  یکی از آسان­ترین راه­ها، سرمایه­گذاری است که ابعاد مختلف دارد.  در  کشور ایران با توجه به تغییرات شدید بازار سکه و ارز، افراد بیشتری به سمت بازار سهام رو آوردند.  یکی از جذاب­ترین مسایل در بورس دستیابی به روشی است که موجب افزایش سرمایه و تا حد امکان، کاهش ضرر گردد.  این مساله موجب شد که به­ بررسی الگوریتم و روشهای هوش مصنوعی در مدیریت بورس پرداخته شود.  در این تحقیق روشهای مختلف مورد بررسی قرار گرفته و دلایل موفقیت و شکست این روشها  بررسی شده است.  بر مبنای مطالعات انجام شده شاید بتوان گفت بهترین و پرکاربردترین روش شبکه­های عصبی است.  اگر این روش با روشهای آماری ترکیب شود امکان دستیابی به نتایج بهتری فراهم خواهد شد و اگر این زمینه میسر شود موجب بهبود در وضع اقتصادی شرکتها و در نتیجه بهبود در وضع اقتصاد کشور خواهد شد.  

          در این پروژه سعی شده است به کمک شبکه عصبی پرسپترون به پیش­بینی بازار سهام پرداخته شود.  پس از بررسیهای انجام شده آشکار شد بر روی داده­های بنیادی بورس اوراق بهادار کمتر کار شده است.  بنابراین به بررسی و مقایسه داده­های بنیادی، تکنیکی و ترکیب بنیادی و تکنیکی پرداخته شده است.  سپس نشان داده شده است که داده­های ترکیبی برای پیش­بینی مناسب­تر هستند.  با هدف بهبود پیش­بینی، به داده­های مورد استفاده در بازار سهام الگوی سر و سرشانه افزوده شده است. با بررسی و مقایسه صورت گرفته بین داده­های معمولی بدون الگوی سر و سرشانه و داده­های با استفاده از این الگو به کمک جعبه ابزار شبکه­عصبی MATLAB نشان داده شده است که این الگوموجب بهبود پیش­بینی خواهد شد.

    فصل اول

    مقدمه

     

     

    در دنیای امروز با توجه به تغییر سبک زندگی، مردم به دنبال روشی برای بهبود و پیشرفت وضع اقتصادی خود هستند، که از مهمترین روشها برای بهبود در وضعیت مالی می­توان به افزایش درآمد اشاره کرد.  یکی از آسان­ترین راه­ها، سرمایه­گذاری است که ابعاد مختلف دارد.  در کشور ایران با توجه به تغییرات شدید بازار سکه و ارز، افراد بیشتری به سمت بازار سهام رو آورده­اند.  یکی از جذاب­ترین مسایل در بورس دستیابی به روشی است که موجب افزایش سرمایه و تا حد امکان، کاهش ضرر گردد.  سهام در بازار بورس یک خرید یا فروش پر ریسک است که در آن یا سود بسیاری است یا شخص را متحمل ضرر می­کند. 

    از سال 1409 میلادی میدانهای مبادله کالا، پول و سایر وسایل پرداخت در فنلاند بوجود آمد [1].  صرافان همه روزه در میدان توبوئرس در مقابل خانه­ی بازرگان معروف واندر بورس برای دادوستد پول جمع می­شدند.  به همین مناسبت این گروه­ها اختصارا نام بورس را گرفتند.  اولین بورس واقعی در سال 1460 در بلژیک راه اندازی شد.  بورس اوراق بهادار تهران در سال 1346 تاسیس گردید، این سازمان از پانزدهم بهمن ماه آن سال فعالیت خود را با انجام چند معامله بر روی سهام بانک توسعه صنعتی و معدنی آغاز کرد.  در نهایت داد و ستد الکترونیک سهام در ایران در تاریخ 24/9/82  توسط بانک توسعه صادرات به اجرا درآمد تا فاصله بین مردم و تکنولوژی روز را کمتر نماید.   از سال 1997 افراد بسیاری به دنبال به­دست آوردن راهی برای پیشرفت در زمینه بورس بودند.  مهم­ترین مساله برای بازرگانان و خریداران سهام یافتن راهی برای پیش­بینی بازار سهام بود.  آنها نمی­دانستند که چه زمانی باید سهام خود را نگه­ دارند و چه زمانی بفروشند.  خرید سهام هم یکی دیگر از مسایل در این زمینه بود.  اگر به­طور دقیق­تری به مساله نگاه شود، سقوط و ورشکستگی دربازار سهام مربوط به یک شخص نیست زیرا میزان سود و ضرر کم است و این مساله نمی­تواند اقتصاد کشور را دچار مشکل کند.  در مورد بازرگانان و شرکتهای مهم اقتصادی در کشور این مساله بسیار حائز اهمیت است زیرا، ورشکستگی آنها موجب بحرانها و مشکلات اقتصادی و رکود در بازار سهام بین­المللی خواهد شد.  در حقیقت می­توان گفت پیش­بینی شاخصهای سهام جزء ارکان اصلی است، اما بسیار دشوار است.  فرار بودن داده­ها، تغییرات زیاد در بازار و نبود قانون مشخص که داده­ها از آن پیروی کنند از دلایل دشواری کار است.  در این راستا به الگوریتمهای هوش مصنوعی می­توان اشاره کرد.  زیرا برای یافتن راه ­حل باید به دنبال کشف الگویی در سیستمهای غیرخطی و بی­نظم بود. ابزار هوش مصنوعی برای پیش­بینی در محیطهای دارای داده­های افزونه بسیار مفید هستند.

    اگر به بازار سهام با دید مدیریتی نگاه شود ملاحظه می­شود که، انسان از زمانی که خود را شناخته تاکنون همواره با مفهوم تصمیم­گیری در تعامل بوده است.  در این بین، بعضی از دانشمندان علم مدیریت، تا جایی پیش رفته­اند که اعلام می­کنند یک مدیر هیچ کاری جزء تصمیم­گیری ندارد.  تصمیم­گیری را می­توان یک مسئله انتخاب تعریف نمود.  در چنین مسائلی، پیش­بینی پارامترهای تصمیم بسیار پیچیده و در بسیاری از موارد ناممکن است.  یکی از تصمیم­گیریهایی که مدیران مالی با آن در ارتباط هستند، تصمیمات مربوط به سود نقدی سهام و عملکردهای وابسته­ به آن است.  براساس اهمیت تصمیمات وابسته به سود نقدی سهام همواره، دغدغه­های زیادی برای پیش­بینی این عامل وجود داشته و مدلهایی برای آن ارائه شده­ است، اما مانند دیگر مدلهای پیش بینی، سؤالی اساسی در این زمینه این است که چه متغیرهایی بر سود نقدی سهام اثرگذارندو در حقیقت، مدلی که برای پیش بینی ارائه می شود، باید چه متغیرهای مستقلی را دربرگیرد تا بتواند متغیر وابسته سود نقدی سهام را پیش­بینی نماید.

    در عمل، هنگامی که تعداد متغیرهای ورودی یک سیستم و ارتباطات بین متغیرهای ورودی، به شکل تصاعدی افزایش یابد، نتایج پیش­بینی از خروجیهای واقعی، انحراف بیشتری را نشان خواهند داد.  ابزارها و روشهای متعددی برای تجزیه و تحلیل این ارتباطات و در نهایت، پیش­بینی نتایج موجود وجود دارند که در این بین می­توان به یکی از قوی­ترین آنها یعنی شبکه­های عصبی مصنوعی اشاره کرد.  استفاده از شبکه های عصبی مصنوعی برای پیش­بینیهای مالی و پیش بینی سود سهام نیز سابقه دارد،  اما همواره در انتخاب متغیرهایی که به عنوان ورودی به مدل وارد می شوند، مشکلاتی وجود دارند که در ادامه به آنها اشاره می شود.

    از سوی دیگر دستیابی به رشد بلند مدت و مداوم اقتصادی نیازمند تجهیز و تخصیص بهینه­ منابع در سطح اقتصاد ملی است.  این مهم بدون کمک بازارهای مالی، به ویژه بازار سرمایه گسترده و کارآمد به سهولت امکان­پذیر نیست.  سرمایه­گذاری در سهام عرضه شده در بورس اوراق بهادار، یکی از گزینه­های پرسود در بازار سرمایه است.  هرچند، ارزیابی و پیش بینی سهام و یا هر اوراق بهادار دیگر، روندی تاریخی دارد و تخصص ویژه­ای را می­طلبد.  نظریه­های متفاوتی در خصوص ارزیابی و پیش­بینی بورس در بازارهای سازمان یافته مطرح شده است. در اوایل قرن بیستم، گروهی از متخصصان صاحب تجربه در ارزیابی اوراق بهادار اعتقاد راسخ بر این امر داشتند که می­توان از طریق مطالعه و تجزیه و تحلیل روند تاریخی تغییرات قیمت سهام، تصویری را برای پیش­بینی قیمت آینده سهام ارائه نمود. مطالعات علمی­تر با تأکید بر شناسایی دقیق رفتار قیمت سهام، گرایش به سمت مدلهای ارزشیابی قیمت سهام را به وجود آورد.  اما این روشها نتوانستند موفق عمل کنند.  در بازار کارای سرمایه، اعتقاد بر این است که قیمت سهام انعکاسی از اطلاعات جاری مربوط به آن سهم است و تغییرات قیمت سهام دارای الگوی خاص قابل پیش­بینی نیست.  نظریات مطرح شده تا دهه 1980 میلادی به خوبی تعیین کننده رفتار قیمت سهام در بازار بودند تا اینکه تحولات بازار سهام نیویورک در سال 1987 میلادی، اعتبار فرضیات بازار کارای سرمایه و مدلهایی نظیر تصادفی بودن قیمتها را به شدت زیر سؤال برد [2]. در دهه­ی 1990 میلادی و بعد ازآن، بیشتر توجه متخصصان به یک رفتار آشوبگرانه همراه با نظم معطوف شد وتلاش در جهت طراحی مدلهای غیرخطی به منظور پیش­بینی قیمت سهام اهمیت روز افزونی یافت.   با این نظریات، از جمله تکنیکهایی که اهمیت بالایی یافتند، سیستمهای هوشمند بودند، زیرا با فرض خطی بودن ساختار بازار، به آسانی می­توان بسیاری ازمدلها را طراحی نمود.  با این وجود، بسیار سخت است که بتوان رفتارمجموعه­های پیچیده­ای نظیر بازار سرمایه در یک مجموعه­ی اقتصادی مدرن را به­طور کامل در یک مجموعه معادلات ساده و خطی نشان داد.  مزیت عمده سیستمهای هوشمند نظیر شبکه­های عصبی مصنوعی و شبکه­های عصبی فازی، درمدل سازی و پیش­بینی مجموعه­های نامنظم و غیرخطی است. ابزار دیگری نظیر الگوریتم ژنتیک نیز از نظر بسیاری از محققان می­تواند در کاهش زمان به جواب رسیدن و حتی بهینه سازی پیش­بینیها در شبکه­های عصبی مصنوعی و شبکه­های عصبی فازی مثمر ثمر باشد.

    در این زمینه تکنیکهای یادگیری ماشین برای پیش­بینی بازار سهام مفید واقع شده­اند.   پیش­بینی بازار سهام کار چالش­ برانگیزی است که جزء پیش­بینیهای سری زمانی است.  در این تحقیق به بررسی نکات قوت و ضعف این تکنیک پرداخته ­خواهد شد.  همچنین مقاله­ها و تحقیقاتی که به صورت فراگیر در زمینه پیش­بینی کارهای مفیدی انجام داده­اند در ادامه مورد بررسی قرار خواهند گرفت.  این اطلاعات به همراه مدلها  نقش مهمی را در پیش­بینی  بازی می­کنند.   پیش­بینی بازار سهام مساله مهمی در زمینه مالی، مهندسی و ریاضی  است.  بنابراین سود ناشی از پتانسیل مالی نقش مهمی را ایفا می­کند.  یکی از زمینه­های مهم در سرمایه­گذاری و بازار، بحث سهام و بورس است.  نظریه بازار کارآمد امکان پیش­بینی بازار سهام بسیار را صرفا در شرایط خاصی می­پذیرد می­ورزد.(در فصل دوم و سوم به بررسی نظریه بازار کارآمد پرداخته شده است.) سالهاست افرادی به دنبال الگو یا روشی برای پیش­ بینی هستند.  باتوجه به پیشرفت کامپیوتر و فناوری اطلاعات در سالهای اخیر می­توان گفت که به این امکان می­توان جامه عمل ­پوشاند.  برای پیش­بینی درست الگوریتمها و تکنیک های مفید بسیاری وجود دارد.   الگوریتمهای مفید در این زمینه که خود را با مشکلات بورس تطابق می­دهند، شبکه­های عصبی، شبکه­های فازی و سیستمهای نوروفازی هستند.  اگر از داده­کاوی و تئوریهای آماری مانند مارکف هم بهره گرفت  نتایج بهتری حاصل می­شود.  یکی از بهترین یاری کنندگان در زمینه هوش مصنوعی شبکه­های عصبی هستند که برای پیش­بینی بازار سهام مورد استفاده قرار می­گیرند.  شبکه­های عصبی و فازی بوسیله تکنیکهای یادگیری ماشین در محیط پیش­بینی بازار سهام هدایت می­شوند زیرا توانایی یادگیری بین داده­های ورودی و خروجی در نگاشتهای غیرخطی از مسئولیتهای اصلی این الگو است.  افرادی که در بازار سهام هستند ادعا می­کنند که بی­نظمی و پیچیدگی از مهم­ترین مشکلات در بازار بورس است.  بنابراین سیستمهای اقتصادی برای دنبال کردن بازار کالا و پایداری شرکت و  آینده بازار بورس چه داخلی و چه خارجی و حتی ورشکستگی می­توانند از کاربرد این الگوریتمها بهره­مند گردند. در همین زمینه بانکها هم می­توانند برای پویش وضعیت کارتهای اعتباری و نیز درخواست وام و حتی تخمین ورشکستگی از این الگوریتمها استفاده کنند.

      از آنجایی که کاربرد شبکه­ های عصبی در محیط عملیاتی بسیار وسیع است، در این پایان­نامه برای بهبود وضعیت  بازار سهام و پیش­بینی درست از این ابزار استفاده می­گردد.  پیش­بینی در بازار سهام به­عنوان فعالیتی در زمینه پیش­بینیهای مالی سری زمانی مورد توجه است.  این امر اساس کار را تشکیل می­دهد، زیرا تغییرات متعددی در حال انجام است.  بسیاری از فاکتورها در داد و ­ستد سهام از جمله وقایع سیاسی، شرایط عمومی اقتصادی و انتظارات سهامداران به طور متقابل عمل می­کنند.  بنابراین قیمت سهام در داده­های سری زمانی بصورت غیرخطی، قطع­شده و دارای مولفه­های بسیاری است که پیش­بینی این تغییرات دشوار است.  فاکتورهای بازار سهام روی دستیابیهایی که، مقادیر شاخص یا قیمت سهام را با سود بسیاری بدست آورند تاکید می­کند.  در حقیقت برای یافتن راه­حل باید به دنبال تکنیکهایی بود که از قواعد سریهای زمانی پیروی کند.  یکی از ابزار مفید برای پیش­بینی سریهای زمانی شبکه­های عصبی است. شبکه­های عصبی یک روش مناسب و محبوب درجهت جلوگیری از ورشکستگیهای مالی شرکتها است.  این حوزه افراد مختلف از رشته­های مختلف را به­دلیل کاربرد زیاد و مفیدبودن به­خود جذب کرده است.  با استفاده از داده­های موجود در بازار سهام (داده­های جدید و داده­های قدیمی) به پیش­بینی بازار سهام به­صورت روزانه پرداخته می­شود.  این امر موجب یاری به بازرگانان و شرکتها می­گردد که سهام موجود را خریداری کنند یا خیر، سهام دیگر شرکتها را بخرند و یا سهام شرکت را نگه ­دارند.  نکته دیگر این است که شبکه­های عصبی  فرایندهایی راکه پارامترهای گوناگون با درجه اهمیت متفاوت دارند مورد بررسی قرار می­دهد وپاسخ مناسب برای موارد مختلف می­یابد.  روش دیگر در این رابطه سیستم فازی است.  این روش مانند شبکه­های عصبی است با مقداری تفاوت در نوع ورودی و دریافت نتیجه که در فصل دوم به تفصیل نحوه کار آن توضیح داده خواهد شد.

    Abstract

    Todays, people are looking for any approach to improve their financial and economic status. There are a lot of ways to improve the financial condition and increasing incoming money is one of the most important ones. The easiest way for doing that, is investigation which has different areas. In Iran, enormous numbers of people are interested in the stock of coins and currencybecause of large fluctuations. One of the most interesting aspects in stock market is achieving a method to increase the money and to decrease the loss as much as possible. This goal has caused to consider the artificial intelligence approaches in stock market management. In this study, different methods by their successes and fails will be discussed. The most used method is artificial neural networks, which could have better result if it would be combined by statistical methods.  This combination can lead to improvement in the financial and economic status of companies and country.

    In this study, stock market prediction will be done by multi-layer perceptron neural network. Moreover, technical data, underlying data, and hybrid technical-underlying data were considered. Then, it was shown that the hybrid technical-underlying data are more appropriate for prediction. Finally, in order to improving the prediction performance, an important index with name of Head and Shoulder was applied to the data. The results are indicating that the new pattern has better prediction precision in contrast to the previous ones.

    Key words

    Stock Forecasring, Artificial Neural Network, Stock Market, Artificial Intelligence, Stock Market Indicator 

  • فهرست و منابع پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون

    فهرست:

    فهرست مطالب... شش

    چکیده. ده

    فصل اول: مقدمه. 1

    فصل دوم: 6

    2-1 مقدمه. 6

    2-2 بررسی اولین پژوهشهای انجام شده. 6

    2-3 استفاده از روشهای شبکه عصبی و تحلیلهای سری زمانی.. 7

    2-4 بررسی بازار کارآمد. .8

    2-5 فاکتورهای موثر در پیش بینی.. 9

    2-6 ادغام روشهای شبکه­های عصبی  و فازی.. 9

    2-7 روش ماشین بردار پشتیبان.. 10

    2-8 تاثیر انتشار اطلاعات بورس بر روند پیش بینی.. 10

    2-9 ایجاد سیستم خودکار. 11

    2-10 بررسی جدیدترین روشها .11

    2-11 بررسی روشهای داده کاوی در پیش بینی.. 14

    2-12بررسی روش ماکف... 14

    2-13 بررسی روش ARIMA.. 15

    2-14 نتیجه گیری. 17

    فصل سوم: 17

    3-1مقدمه. 19

    3-2 اصطلاحات رایج در بازار بورس... 19

    3-2-1سهام. 19

    3-2-2 بورس... 20

    3-2-3 حجم مبنا 20

    3-2-4 درصد تحقق سود. 20

    3-2-5 پیش بینی سود. 21

    3-2-6 شاخص.... 21

    3-2-7 نماد. 21

    3-2-8 دامنه نوسان   21

    3-2-9 بررسی فاکتورهای کیفی و کمی.. 22

    3-3 انواع روشهای پیش بینی. 22

    3-3-1تحلیل تکنیکی.. 23

    3-3-2تحلیل پایه. 24

    3-3- 3روشهای جایگزین.. 28

    شش

    3-4 فرضیه بازار کارآمد.. 37

     

     

    3-5 ماشین بردار پشتیبانی. 37

    3-6 نتیجه­گیری... 38

    فصل چهارم: 39

    4-1 مقدمه. 39

    4-2 انواع دیدگاه در ادبیات مالی.. 40

    4-2-1 روش بنیادی.. .40

    4-2-2روش تکنیکی. 40

    4-3 الگوریتم TRAINLM .44

    4-4 آموزش دسته ای کاهش شیب.. 46

    4-5 آموزش دسته ای Momentum 46

    4-6 تعیین تعداد لایه و تعداد نورون در هر لایه. 46

    4-7 تحلیل نتایج.. 47

    4-8 الگوی سر و سرشانه. 53

    4-9 نحوه آماده سازی داده به کمکRandomWalk 56

    4-10 تعیین تعداد لایه و تعداد نورون در هر لایه. 57

    4-11نتیجه­گیری.. 62

    فصل پنجم: 63.

    5-1 مقدمه. 63

    5-2 کارهای انجام شده در پایان نامه. 63

    5-2-1 پژوهشی.. 63

    5-2-2 اصلاحات... 63

    5-2-3 نرم افزار. 64

    5-2-4 پایگاه داده. 64

    5-3 دوره زمانی پیش بینی.. 64

    5-4 انواع پیش بینی.. 64

    5-5 نوع پنجره انتخابی.. 64

    6-5 تعداد لایه های پنهان و تعداد نورونها 65

    5-7 نتیجه­گیری. 67

    فصل ششم: 68

    6-1 نتیجه گیری... 68

    6-2 پیشنهادات.. 69

    مراجع. 70

     

    منبع:

    [1] Papadrakakis M, Tsompanakis Y and Goldberg  N, : Optimization and Machincs and engineering pp. 309-333,vol. 156, 1989.

    [2] Bingul  Z, A Sekman and S Zein-zabato: Evolutionary Approach to Multi Objective Problems Using Genetic Algorithms, IEEE transactions, international conference of systems, man and cybernetics, 2000.

    [3] Robert J and Van Eyden: The Application of Neural Networks in the Forecasting of Share Prices,  Technology  Finance Publishing, 1996.

    [4]White H: Economic prediction using neural networks a case of IBM daily stock returns,  International Conference on Neural Networks,1988, vol. 2, pp. 451-458.

    [5] Phua, P K, H Ming and D Lin: Neura Network with Genetic Algorithms for Stocks Prediction, Fifth Conference of the Association of Asian-Pacific Operations Research Societies, Singapore, 5th - 7th July,2000.

    [6] Kim K and Han I: Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, vol. 19,2000.

    [7] Chiang W C, Urban T L and Baldridge G W: A neural network approach to mutual fund net asset value forecasting, Omega,Intmgmt Sci, 2000, PP 205-215.

    [8] Black E D :Financial market Analysis, second Edition, JohnWiley and sons, Ltd, New York. PP. 282-287.

    [9] Schumann M and Lohrbach T: Comparing artificial neural networks with statistical methods within the field of stock market prediction, System Sciences, Proceeding of the Twenty-Sixth Hawaii International Conference on,1993 , pp. 597-606.

    [10] Yoon Yand Swales G: Predicting Stock Price Performance: A Neural Networks Approach, Proceedings of the IEEE Twenty-Fourth Annual Hawaii International Conference on System Sciences,1991, pp. 156-162.

    [11] Yoon Y Swales, G Jr. and Margavio T M: A Comparison of Discriminant Analysis Versus Artificial Neural Networks, Journal of the Operational Research Society, vol. 44,1993, pp. 51-60.

    [12] Garliauskas A:Neural Network Chaos and Compuational Algorithm of Forecast in Finance, Proceedings of the IEEE SMC Conference on Systems, Man,and Cybernetics 2, pp. 638-643, 12-15 October 1999.

    [13] Kim K, Hong T and Han I: KnowledgeDiscovery Process In Internet For Effective KnowledgeCreation, Korea AdvancedInstitute of Science and Technology,1998.

    [14] Hong T and Han I: Integrated approach ofcognitive maps and neural networks using qualitativeinformation on the World Wide Web: KBN Miner, ExpertSystems, vol. 21 no.5,2004, pp. 243-252.

    [15] Hong T and Han I: Knowledge-based datamining of news information on the Internet using cognitivemaps and neural networks, Expert Systems withApplications, vol. 23, no. 1, 2002,pp. 1-8.

    [16] Fung G P C, Yu J X and Lam W:NewsSensitive Stock Trend Prediction, Lecture Notes in Computer Science, vol. 2336, Jan 2002, pp. 481.

    [17] Kohara K: Selective-Learning-Rate Approachfor Stock Market Prediction by Simple Recurrent NeuralNetwork, Lecture Notes in Computer Science, vol 2773,Jan 2003, pp. 141-147.

    [18] Kohara K Ishikawa, T Fukuhara Yand Nakamura Y: Stock Price Prediction Using Prior Knowledge and Neural Networks, Intelligent System In Accounting,Finance and Management, vol. 6,1997, pp. 11-22.

    [19] Pui Cheong Fung,G Xu Yu J and Lam W :Stock prediction: Integrating text mining approach using real-time news, Computational Intelligence for FinancialEngineering, Proceedings, IEEE InternationalConference on 2003, pp. 395-402.

    [20] Kohara K Ishikawa, T Fukuhara Y and Nakamura Y: Stock Price Prediction Using Prior Knowledge andNeural Networks, Intelligent System In Accounting,Finance andManagement, vol. 6,1997 pp. 11-22.

    [21] Hong T and Han I :Knowledge-based datamining of news information on the Internet using cognitivemaps and neural networks, Expert Systems withApplications, vol. 23, no. 1, pp. 1-8.

    [22] Kuo, R J Chen, C H and Hwang Y C :Anintelligent stock trading decision support system throughintegration of genetic algorithm based fuzzy neural networkand artificial neural network, Fuzzy Sets and Systems, vol.118,2001, pp. 21-45.

    [23] Kuo R J Lee, L C and Lee C F 1996 :Integrationof Artificial Neural Networks and Fuzzy Delphi for Stock Market Forecasting,IEEE, June,1998, pp. 1073-1078.

    [24] Fama, E F: Efficient capital markets II,.Journalof Finance. vol 47,1991, pp. 1575-1617.

    [25] Tsibouris G and Zeidenberg M: Testing the Efficient Markets Hypothesis with gradientdescentalgorithms, In Neural Networks in the Capital Markets, vol. 8,1995, pp 127–136.

    [26] Eyden R J:The Application of Neural Networksin the Forecasting of Share Prices, Finance and TechnologyPublishing,1996.

    [27] Fung G P C, Yu J X and Lam W:NewsSensitive Stock Trend Prediction’, Lecture Notes in Computer Science, vol. 2336, Jan 2002, pp. 481.

    [28] Mittermayer M A:Forecasting intraday stockprice trends with text mining techniques, System Sciences, Proceedings of the 37th Annual Hawaii InternationalConference on,2004, pp. 64-73.

     [29] Yoo Paul, D Kim, Maria H and Jan T: Machine Learning Techniques and Use of Event Information for Stock Market Prediction, International Conference on Computational Intelligence (CIMCA-IAWTIC' 05)2007.

    [30] Schumann M and Lohrbach T: Comparingartificial neural networks with statistical methods within thefield of stock market prediction, System Sciences, Proceeding of the Twenty-Sixth Hawaii International Conference on, vol. 4,1993, pp. 597-606 vol.594.

    [31] Lawrence R:Using Neural Networks toForecast Stock Market Prices, University of Manitoba,1997.

    [32] Refenes  A Zapranis A D and Francis G:Modelling stock returns in the framework of APT: Acomparative study with regression models, Neural Networksin the Capital Markets, vol. 7,1997, pp. 101–126.

    [33] Steiner M and Wittkemper H: Neural networks as an alternative stock market model, Neural Networks inthe Capital Markets, vol. 9,1995, pp. 137–148.

    [34] Yoon Y, Swales G Jr. and Margavio T M:AComparison of Discriminant Analysis Versus ArtificialNeural Networks, Journal of the Operational ResearchSociety, vol. 44,1993, pp. 51-60.

    [35] Dash M and Liu H: Feature selection forclassifications’, Intelligent Data Analysis: An InternationalJournal, vol. 1,1997, pp. 131-156.

    [36] Hiemstra Y:Modeling structured nonlinear knowledge to predict stock market returns, R. R.(ed.), Chaos& Nonlinear Dynamics in the Financial Markets: Theory,Evidence and Applications, Irwin,1995, pp. 163-175.

    [37] Tsaih R, Hsu Y and Lai C C:Forecasting S&P 500 stock index futures with a hybrid AI system, DecisionSupport Systems, vol. 23,1998, pp. 161-174.

    [38] Vapnik V:An overview of statistical learningtheory, IEEE Transactions of Neural Networks, vol. 10,1999, pp.988-99.

    [39] Yang H, Chan L and King I:Support VectorMachine Regression for Volatile Stock Market Prediction, Lecture Notes in Computer Science, vol. 2412,2002, pp. 391.

    [40] Vapnik V: Statistical learning theory,New York.

    [41] Tay F and Cao L:A comparative study of saliency analysis and genetic algorithm for feature selectionin support vector machines, Intelligent Data Analysis, vol. 5,2001, pp. 191-209

    [42] Tay F and Cao L J:Application of supportvector machines in financial time series forecasting, Omega,vol. 29,2001, pp. 309-17.

    [43] Kim K: Financial time series forecasting usingsupport vector machines, Neurocomputing, vol. 55,2004, pp. 307-319.

    [44] Kim K:Toward Global Optimization of Case-Based Reasoning Systems for Financial Forecasting,Applied Intelligence, vol. 21, no. 3,2004, pp. 239-249.

    [45] Ng  A and Fu A W:Mining Frequent Episodes for Relating Financial Events and Stock Trends, LectureNotes in Computer Science, vol. 2637,2003, pp. 27-39.

    [46] Fawcett T and Provost F J: Combining data mining and machine learning for effective user profiling, In Proceedings of the Second International Conference onKnowledge Discovery and Data Mining, KDD-96,2004, pp. 8-13.

    [47] Dase R K and Pawar D D: Application of Artificial Neural Network for stock market predictions: AA review of literature, International Journal of Machine Intelligence, ISSN: 0975–2927, Volume 2, Issue 2, 2010, pp-14-17.

    [48] JingTao Y and Chew Lim T: Guidelines for Financial Prediction with Artificial neural networks,1999.

    [49] David E and Suraphan T: The use of data mining and neural networks for forecasting stock market returns, 2005.

    [50] Senthamarai Kannan K, Sailapathi Sekar P, Mohamed Sathik  M and Arumugam P: Financial stock market forecast using data mining Techniques, 2010, Proceedings of the international multiconference of engineers and computer scientists.

    [51] Hsieh Y L, Don-Lin Yang and Jungpin Wu: Using Data Mining to study Upstream and Downstream causal relationship in stock Market, 2007.

    [52] Rafiul Hassan M and Baikunth N: Stock Market forecasting using Hidden Markov Model: A New Approach, Proceeding of the 2005 5th international conference on intelligent Systems Design and Application 0-7695-2286-06/05, IEEE 2005.

    [53]Rafiul Hassan M, Baikunth N and Kirley M: A fusion model of HMM, ANN and GA for stock market forecasting,  Expert systems with Applications, 2007, pp. 171-180,

    [54] Yi-Fan Wang, Shihmin Cheng and Hsu M: Incorporating the Markov chain concepts into fuzzy stochastic prediction of stock indexes, Applied Soft Computing, 2010, pp.613-617.

    [55] Peter Zhang G: Time series forecasting using a hybrid ARIMA and neural network model, Elsevier Neurocomputing 50 (2003) 159 – 175.

    [56] Song Q and Chissom B S: New models for forecasting enrollments: fuzzy time series and neural networkapproaches, ERIC, 1993, p. 27.

    [57] Hassan S,  Jaafar J, Samir B and Jilani  A: A Hybrid Fuzzy Time Series Model for Forecasting” Engineering letters, 2012.

    [58] Devi P, Vijayalakshmi C and Sakthivel E: Design of a Fuzzy Time Series Forecasting Model for Hydro Power Generation, International Journal of Computer Applications (0975 – 8887) Volume 74– No.16, July 2013.

    [59]  SANTHI T: STOCK MARKET FORECASTING TECHNIQUES: A SURVEY, Department of Computer Application, SASTRA University, Thanjavur,2010.

    [60]  Adebiyi  A , Adewumi  A and  Ayo  CH: Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction, Journal of Applied Mathematics
    Volume, Article No. 614342, 7 pages, March 2014.

     

    [61] Haykin S , Neural Network A Comprehensive Foundation. Mcmaster University Hamilton, Ontario, Canada : Prentice Hall International Inc.

    [62] Fagnerde Oliveira A., Cristiane N., Luis E., (2013); “Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras Brazil” , Expert Systems with Applications, vol. 40, pp. 7596–7606, 2013.

     [63] Rodriguez J. V., Torra S., Felix J. A., (2005); “STAR andANN models: Forecasting Performance on SpanishIbex-35 Stock Index”, Journal of EmpiricalFinance, no. 12 vol.3, pp. 490-509, 2005.

    [64] Zapranis  A and Samolada E "Can Neural Networks Learn the “Head and Shoulders”Technical Analysis Price Pattern? Towards a Methodology for Testing the Efficient Market Hypothesis", ICANNPart II, LNCS 4669, Springer-Verlag Berlin Heidelberg, (516–526), 2007.

    [65] Jegadeesh N, "Foundations of technical analysis", Computational algorithms, statistical inference, and empirical implementation", The J. of Fin 4, 1765–1770, 2000.

    [66] Volna E, Kotyrba K and Jarusek R " Multi-classifier based on Elliott wave’s recognition",  Elsevier Ltd computer and mathematics with applications 66, (213-255), 2013.

    [67] Zapranis A and Tsinaslanidis P "Identification of the Head and Shoulder technical analysis pattern with Neural Network", ICANN Part III, LNCS 6354, Springer-Verlag Berlin Heidelberg, (130-136), 2010.

     



تحقیق در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, مقاله در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, پروژه دانشجویی در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, پروپوزال در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, تز دکترا در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, تحقیقات دانشجویی درباره پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, مقالات دانشجویی درباره پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, پروژه درباره پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, گزارش سمینار در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, پروژه دانشجویی در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, تحقیق دانش آموزی در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, مقاله دانش آموزی در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون, رساله دکترا در مورد پایان نامه پیش بینی الگوی بازار سهام با استفاده از شبکه های عصبی مصنوعی چندلایه پرسپترون

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس