دانلود مقاله کارشناسی ارشد رشته حسابداری

بررسی قابلیت مدلهای Data Mining در برآورد نرخ سهام

 
 
   چکیده :
اهمیت ویژه بازار سرمایه در توسعه اقتصادی ازطریق هدایت موثرسرمایه‌ها وتخصیص بهینه منابع غیرقابل انکاراست. سرمایه‌گذاری دربازارسرمایه مستلزم تصمیم‌گیری می‌باشدکه این خودنیازمنددستیابی به اطلاعاتی درخصوص وضعیت آینده قیمت بازار سهام می‌باشد. لذادرصورتی که بتوان روندآتی بازارسهام را با روش‌های مناسب پیش‌بینی نمود،سرمایه‌گذارمی‌تواند بازده حاصل از سرمایه‌گذاری خود را بیشینه سازد .
 
این تحقیق به بررسی دقت مدل های تخمینگربردارپشتیبان(SVR)،تخمینگرحداقل درجه (LARS)،شبکه عصبی – فازی (ANFIS)جهت پیش بینی قیمت سهام در سه سطح روزانه ،هفتگی و ماهیانه می‌پردازد .جامعه آماری این تحقیق در برگیرنده کلیه شرکت های پذیرفته شده در بورس اوراق بهادار در بازه زمانی 1380تا 1389می باشد که نمونه مورد بررسی شامل  10 شرکت می باشد.نتایج نشان می‌دهد که هر سه مدل قابلیت پیش بینی قیمت سهام را دارا هستند اما مدل  های تخمینگر بردار پشتیبان (SVR) و شبکه عصبی -  فازی در دو سطح داده های روزانه و هفتگی توانایی بالاتری جهت پیش بینی قیمت سهام دارا می با‌شند.
 
 
واژه های کلیدی:

تخمینگر بردارپشتیبان (SVR)

تخمینگرحداقل درجه (LARS)

شبکه عصبی – فازی (ANFIS)

 
 
مقدمه :
ناشناخته ‌بودن عوامل تاثیر گذار بر تغییرات قیمت سهام همواره دلیلی برای روی آوردن به پیش‌بینی قیمت سهام شرکت ‌ها است .امروزه مدیران مالی ترجیح می ‌دهند مکانیزمی در اختیار داشته باشند که بتواند آن ها را در امور تصمیم ‌گیریشان یاری نماید به همین دلیل توجه به روش های پیش‌بینی بسیار مورد توجه قرار گرفته است .از این رو متخصصان بازارسرمایه، سالیان متمادی به مطالعه  بازار و شناسایی الگوهای مختلف برای  پیش بینی پرداخته اند که برای این امر تركیبی از تشخیص الگو و تجربه‌ی مبتنی بر مشاهده روابط علّت و معلول را بكار بسته اند. همچنین برنامه‌های نرم ‌افزاری بسیاری نیز وجود دارند كه به این تصمیم‌گیری كمك  می‌کندو به عنوان موتور پیش بینی مورد استفاده قرار می گیرند. با این وجود در روندهای مالی، اغلب شرایطی بوجود می آید كه قوانین را به هم  می‌ریزد وپیش بینی را توسط روشهای مذكور دشوار می سازد.
 
در ادبیات موضوع ، روش های پیش بینی گوناگونی وجود دارد.این تکنیک ها براساس نوع ابزار و نوع داده های مورد استفاده به چهارگروه طبقه بندی نمود :
1- روش های تحلیل فنی 
2- روش های تحلیل بنیادی  
3- روش های پیش بینی سری های زمانی کلاسیک 
4- روش های هوشمند 
 
تحلیل گران فنی سعی می‌کنند بر اساس  الگوهای موجود در نمودار داده‌های مربوط به بازار ،قیمت را پیش‌بینی کنند .تحلیل‌گران بنیادی ،با توجه به ارزش واقعی و ذاتی یک سهم اقدام به پیش‌بینی می‌نمایند . در پیش‌بینی با روش ‌های کلاسیک ،فرض بر این است که مقادیر آینده قیمت ،سیر خطی مقادیر گذشته را می‌پیمایند .روش های هوشمند الگوهای خطی و غیر خطی موجود در داده‌ها ی مربوط به بازار را دنبال می‌کنند تا بدین وسیله فرایند ایجاد آنها را حدس بزنند. [6]
 
در این مقاله تمرکز اصلی بر روش های هوشمند و مقایسه آن با روش خطی می باشد که در برگیرنده مدل های مدل تخمینگر بردار پشتیبان  (SVR)، تخمینگر حداقل درجه (LARS)، مدل شبکه عصبی –فازی(ANFIS) است.ماشین‎ بردار پشتیبان  (SVM) یکی از روش‎های یادگیری بانظارت است . این الگوریتم در زمینه  شناسایی الگو و پیش بینی رگرسیون استفاده  می شود.هدف آن تشخیص و متمایز کردن الگو های پیچیده در  داده ها و یافتن قوانین حاکم بر آنها می باشد .ماشین بردار پشتیبان دارای ویژگی تعمیم پذیری خوب ،توانایی در طبقه بندی الگو های ورودی ،رسیدن به الگوی بهینه کلی ، قابلیت یادگیری (تعیین خودکار ساختار بهینه برای مجموعه داده های تحت آموزش ) است.
 
 
 
 
 
فهرست مطالب
ارزیابی توانایی مدل های داده کاوی در پیش‌بینی قیمت سهام 1
چکیده : 2
واژه های کلیدی : 3
مقدمه : 3
مروری بر پیشینه تحقیق : 5
تحقیقات داخلی : 8
روش تحقیق : 9
فرضیه های تحقیق : 9
جدول شماره 1: تعداد داده ها در سه سطح روزانه ،هفتگی ،ماهیانه برای هر شرکت 10
آزمون فرضیه : 11
نمودارشماره 1: فرایند  پیشبینی قیمت سهام برای مقایسه الگوریتمهای ANIFS، LARS و SVR با یکدیگر 12
فرآیند ارزیابی مدلها : 12
جدول شماره 2:شاخص های ارزیابی خطای  مدل های ANIFS، LARS و SVR 12
جدول شماره 3- نرخ خطای محاسبه شده برای داده های آزمایشی روزانه برحسب هر شرکت 13
داده‌های هفتگی:         جدول شماره 4: نرخ خطای محاسبه شده برای داده‌های آزمایشی هفتگی برحسب هر شرکت 15
داده‌های ماهیانه :           جدول شماره 5: نرخ خطای محاسبه شده برای داده‌های آزمایشی ماهیانه برحسب هر شرکت 18
نتایج بررسی فرضیه ها به صورت کلی در جدول شماره 6  ارایه گردیده است 19
نتیجه گیری : 20
جدول7-درصد موفقیت مدل ها با جهت برای الگوریتمهای ANFIS وLARSوSVR 20
منابع : 21