شبکه های عصبی در زمینه مالی و سرمایه گذاری کاربردهای زیادی نظیر پیش بینی ورشکستگی، تصمیم گیری و برنامه ریزی مالی یافته است. همچنین در بازارهای مالی با بهره گرفتن از شبکه های عصبی اعمالی مانند پیش بینی بازده و قیمت سهام، رده بندی اوراق بهادار شرکت ها، پیش بینی کارائی سهام و پیش بینی شاخص سهام انجام شده است.
سئوالی که مطرح است اینست که برای پیش بینی قیمت یا بازده سهام در بازار کدام ساختار، الگوریتم یادگیری و متغیرها مناسبتر می باشند؟ به منظور پاسخ به این سئوال روش مورد شناسی استفاده شده در تحقیقات گذشته در کاربرد شبکه های عصبی بررسی قرار گرفت. با توجه به این تحقیقات می توان به این نتیجه رسید که:

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شبکه های عصبی مصنوعی روشی کارا جهت پیش بینی بازار سهام می باشند ولی راه حل خاصی که بتواند روش شناسی مختلف را با موارد کاربرد خاص مطابقت نماید وجود ندارد.
شبکه های عصبی در پیش بینی بازده و قیمت سهام کاربرد زیادی دارند، اگر چه کاربرد شبکه های عصبی در مدل کردن سهام از مسایلی است که بیشتر مورد توجه است.
متدولوژی پس انتشار خطا بیشترین کاربرد را در بین الگوریتم های شبکه های عصبی داشته است، ولی ترکیب شبکه های عصبی با سایر روش های هوش مصنوعی مورد توجه بسیاری از محققین قرار گرفته است.
مزیت شبکه های عصبی در قدرت پیش بینی با دقت بالای آنها (حتی در شرایطی که اطلاعات مبهم است) و همچنین قدرت ترکیب با سایر روش ها می باشد.
استفاده از شبکه‌های عصبی در حل مسائل پیچیده‌ی کاربردی، این روزها بیش از پیش رواج یافته است. اهمیت این مدل در آن است که می‌تواند فرآیندهایی را که به پارامترهای گوناگون و با درجه اهمیت متفاوت بستگی دارند، توصیف و بررسی کند، سپس پاسخ قانع کننده‌ای را ارائه نماید. شیوه‌ی برخورد روش محاسباتی شبکه‌های عصبی، تسخیر اصول راهبردی زیربنایی فرایند مغز و به ‌کارگیری آن‌ها در سیستم‌های کامپیوتری است. ذیلا به تشریح روش کار شبکه های عصبی پرداخته خواهد شد:
شبکه‌های عصبی مصنوعی جزء سیستم‌های دینامیکی هوشمند مدل آزاد قلمداد می‌شوند که با پردازش روی داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند. این سیستم‌های مبتنی بر هوش محاسباتی سعی در مدل‌سازی ساختار، نرو-سیناپتیکی مغز انسان دارند. مؤلفه‌های مهم و اساسی هوش محاسباتی یا محاسبات نرم؛ شبکه‌های عصبی(محاسبات نرونی)، منطق فازی(محاسبات تقریبی) و الگوریتم ژنتیک(محاسبات ژنتیکی) است که هر یک به نوعی مغز را الگو قرار داده‌اند. شبکه‌های عصبی با الهام از محاسبات توزیع‌ یافته‌ی گسترده و موازی در مغز انسان، شبکه‌های عصبی بیولوژیکی و یادگیری در این سیستم‌ها، ارتباطات سیناپسی و ساختار نرونی را مدل می‌کند.
اجزای شبکه عصبی مصنوعی عبارتند از :
۱٫ ورودی‌ها و خروجی‌ها: اعداد و ارقام در قالب یک یا چند متغیر، ورودی‌های یک شبکه عصبی را تشکیل می‌دهند. این ورودی‌ها پس از انجام تحلیل و پردازش‌های خاص به یک یا چند متغیر خروجی تبدیل می‌شوند. ورودی‌ها نقش متغیر مستقل و خروجی‌ها نقش متغیر وابسته را بر عهده دارند.
۲٫ نرون‌ها: مهم‌ترین جزء سیستم عصبی مصنوعی نرون‌ها هستند که به سه دسته‌ی نرون‌های ورودی، خروجی و پنهان تقسیم می‌شوند و در قالب لایه ورودی، لایه خروجی و لایه‌های پنهان قرار می‌گیرند. نرون‌های ورودی وظیفه دریافت داده‌های ورودی را بر عهده دارند. لایه‌های میانی و خروجی شامل واحدهای پردازش اطلاعات هستند. در این واحدها عملیاتی جبری بر اطلاعات ورودی انجام و نتیجه‌ آن‌ها به صورت یک ورودی جدید به واحدهای دیگر در لایه‌های بعدی ارسال می‌شود.
۳٫ وزن‌ها: متغیرهای مختلف ورودی به شبکه، ارزش‌های مختلفی دارند که به کمک وزن‌ها به آن‌ها اختصاص می‌یابد. این وزن‌ها که قبل از لایه خروجی و لایه‌های پنهانی لحاظ می‌شوند، با روش اعداد تصادفی تولید و در استفاده از شبکه تصحیح می‌شوند.
۴٫ توابع تبدیل (توابع فعالیت): توابع تبدیل، در لایه خروجی و لایه‌های پنهان شبکه عصبی در نظر گرفته می‌شوند و با توجه به وزن‌های هر ورودی، محاسبه کلی خروجی را امکان پذیر می‌سازند. توابع فعالیت انواع گوناگونی دارند که بر حسب موضوع تحقیق توسط طراح انتخاب می‌شوند. معروف‌ترین این توابع عبارتند از:
توابع خطی، تابع آستانه‌ای دو مقداری حدی، تابع سیگموئید و تابع تانژانت هیپربولیک.
کیفیت پردازش اطلاعات در‌یک نرون مصنوعی
فرایند پردازش اطلاعات در‌یک نرون مصنوعی را می‌توان به صورت نمودار زیر نشان داد. این نمودار شامل مجموعه‌ای از ورودی‌ها، وزن‌ها، واحد پردازش اطلاعات و خروجی می‌شود.

تصویر شمار ۳-۱ : کیفیت پردازش اطلاعات در‌یک نرون مصنوعی
هر واحد پردازش اطلاعات الف. مجموع حاصل ضرب اطلاعات ورودی و وزن‌های ارتباطی را محاسبه می‌کند. بنابراین اگر X_i اطلاعات ورودی و W_i وزن‌های ارتباطی باشد، واحد پردازش اطلاعات عبارت را به دست می‌دهد. ارزش حاصل در ادبیات شبکه‌های عصبی به « ورودی خالص » معروف است؛ به همین دلیل از نماد Net برای نشان دادن آن استفاده می‌شود. ب. واحد مزبور ارزش حاصل را با بهره گرفتن از تابع فعالیت (f(Net پردازش می کند و خروجی واحد عصبی به دست می‌آید.
قواعد یادگیری در شبکه‌های عصبی
آموزش (یادگیری) شبکه عصبی از طریق تغییر وزن‌های ارتباطی بین نرون‌ها صورت می‌گیرد. به طور کلی آموزش شبکه عصبی بر دو نوع «آموزش با سرپرست» و «آموزش بدون سرپرست» می‌باشد. در آموزش با سرپرست، مقادیر داده‌ها(متغیرهای توضیحی) و ستاده‌ها(متغیر وابسته) در مدل معرفی شده و هدف، به دست آوردن مقادیر خروجی حتی الامکان نزدیک به ستاده‌ها از طریق تغییر وزن‌های ارتباطی است. اما در آموزش بدون سرپرست تنها مقادیر داده‌ها به مدل معرفی می‌شود و مراحل یادگیری بدون مقادیر از قبل معرفی شده‌ی ستاده‌ها(متغیر وابسته) صورت می‌گیرد.
با توجه به اینکه در این پژوهش از شبکه های عصبی چند لایه یا پرسپترون استفاده می شود بنابراین به تشریح مدل فوق پرداخته می شود:
پرسپترون چندلایه و یا MLP معماری از شبکه های عصبی مصنوعی می باشد که پیشخور بوده و پردازنده های شبکه به چند لایه مختلف تقسیم شوند؛ در این شبکه ها لایه اول، ورودی، لایه آخر، خروجی و لایه های میانی، لایه های پنهان نامیده می شوند. این معماری را پرکاربردترین معماری شبکه های عصبی می توان نامید، شکل زیر نمای عمومی پرسپترون چند لایه را نشان می دهد.

شکل ۳-۲: ساختار کلی شبکه های عصبی چند لایه پیش خور
اطلاعات ورودی در واقع همان داده های گردآوری شده از صورت های مالی و گزارشات شرکت ها می باشد که مشتمل بر متغیرهای پژوهش است. پس از انجام فرایند پردازش خروجی کار همان پیش بینی مقادیر مربوط به متغیرها است.
پیاده سازی مدل شبکه های عصبی مصنوعی با بهره گرفتن از برنامه نویسی در محیط نرم افزار جامع MATLAB با بهره جستن از Netlab Toolbox صورت گرفته است.
طراحی شبکه ی عصبی مصنوعی
طراح شبکه ی عصبی علاوه بر انتخاب مجموعه ای از متغیرهای ورودی باید ساختار شبکه ای که منجر به بهترین پیش بینی می شود را شناسایی کند. تغییر ساختمان یک شبکه، حتی بدون تغییر متغیرهای ورودی و خروجی و اندازه ی نمونه، می تواند پیش بینی های تولید شده را به طور اساسی تغییر دهد. برای یافتن بهترین ساختمان، سازماندهی شبکه باید با آزمون و خطا پیش رود.
نوع شبکه و روش آموزش
شبکه های عصبی پرسپترون چند لایه (MLP) پرکاربردترین شبکه های عصبی هستند، که در اغلب تحقیقات مورد استفاده قرار گرفته اند. یک الگوریتم پس انتشار خطا جهت آموزش این شبکه های چند لایه پیشخور با توابع محرک مشتق پذیر می تواند برای انجام عمل پیش بینی، شناسایی و طبقه بندی الگو استفاده شود.
در تحقیق حاضر نیز پس از بررسی های لازم و مقایسه شبکه های عصبی متنوع، از شبکه عصبی چند لایه پرسپترون استفاده شد. همچنین، الگوریتم یادگیری استفاده شده در این تحقیق، الگوریتم پس انتشار خطاست.
در طراحی شبکه های عصبی، پس از تعیین نوع شبکه و روش آموزش باید تعداد گره های ورودی، تعداد لایه های مخفی (میانی) و گره های مخفی و تعداد گره های خروجی تعیین شوند.
انتخاب تعداد ورودی ها از اهمیت خاصی برخوردار است، زیرا هر الگوی ورودی اطلاعات مهمی در مورد ساختار خودهمبسته و پیچیده داده ها را شامل می شود. اکثر محققان برای به دست آوردن تعداد گره های ورودی از روش سعی و خطا استفاده نموده اند.
لایه ها و گره های پنهان نیز نقش مهمی را در موفقیت شبکه های عصبی ایفا می کنند. گره های مخفی در لایه های مخفی به شبکه عصبی اجازه می دهند تا خصوصیات داده ها را کشف و شناسایی نماید و بدان وسیله نگاشت های غیر خطی پیچیده را بین متغیرهای ورودی و خروجی برقرار نماید. در تئوری، شبکه های عصبی می توانند دقت دلخواه را برای تقریب توابع با بهره گرفتن از تعداد کافی گره مخفی در لایه ی مخفی به دست آورند(لیسبو،۲۰۰۰ ).
مدل های مختلفی در تعیین توپولوژی مناسب شبکه های عصبی مورد آزمون قرار گرفت و با تغییر تعداد لایه ها و تعداد نرونهای لایه پنهان، مدل اصلی پیش بینی انتخاب گردید. همان طور که اشاره شد، تعداد لایه های مطلوب در این تحقیق، سه لایه (یک لایه ورودی، یک لایه مخفی و یک لایه خروجی) است.
تابع محرک
تابع محرک یا فعال ساز، ارتباط بین ورودی و خروجی یک گره و یک شبکه را مشخص می نماید . این تابع درجه ای از غیر خطی بودن را به شبکه تزریق می نماید که برای اکثر کاربردهای شبکه های عصبی ارزشمند و مهم است. بهترین تابع بررسی شده برای لایه میانی در این تحقیق، تابع سیگموئیدی ۲۱ است.
برای نشان دادن چگونگی یادگیری ارتباط های داده ها در شبکه های عصبی به طور معمول، از برخی معیارهای عملکرد استفاده می شود. برای مسائل پیش بینی، این معیارها به طور عمده مربوط به خطای بین خروجی های پیش بینی شده و خروجی مطلوب واقعی است. در این تحقیق از معیارهای زیر استفاده می شود:
الف) معیار میانگین مربع خطا (MSE)
ب) مربع میانگین خطای استاندارد نرمال شده (NMSE)
ج( میانگین قدر مطلق درصد خطا (MAPE)
د) تعیین ضریب ®

۳-۵ : جامعه آماری، نمونه آماری و روش نمونه گیری

۳-۵-۱: جامعه آماری

جامعه آماری عبارت است از مجموعه ای از افراد و یا واحدها که حداقل دارای یک صفت مشترک باشند (سرمد و همکاران،۱۳۷۹). همچنین اعتبار جامعه عبارت از میزان قابلیت تعمیم یافته های حاصل از مطالعه یک نمونه شرکت کننده در آزمایش به گروه بزرگتری از افراد، یعنی جامعه می باشد (گال و همکاران، ۱۳۸۹). جامعه‌ آماری به کل افرادی گفته می‌شود که از جهات خاص مربوط به نقطه ‌نظرهای تحقیق دارای صفت های مشترک بوده و شامل نتایج تحقیق مورد نظر باشند محقق باید قبل از آغاز کار تحقیق چارچوب جامعه‌ آماری آن تحقیق را مشخص و روشن کند تا هم تکلیف خودش معلوم باشد و هم بتواند آن را به سادگی به دیگران معرفی نماید. جامعه‌ آماری را جامعه هدف نیز می‌گویند(فرهنگی و صفرزاده، ۱۳۸۷).
در این پژوهش، جامعه آماری کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشند. همچنین حجم جامعه شرکت های سرمایه گذاری پذیرفته شده در بورس اوراق بهادار تهران می باشد که تعداد این شرکت ها در خلال سالهای مورد بررسی به طور متوسط ۲۱ شرکت است. این حجم جامعه از طریق تکنیک غربالی انتخاب شده اند. تکنیک غربالی از جمله روش های غیراحتمالی در انتخاب حجم جامعه است که در پژوهش های مالی و حسابداری بسیار مورد استفاده است. به این ترتیب که ابتدا تعداد کل شرکت های بورسی را در نظر گرفته ایم. سپس شرکت های سرمایه گذاری که دارای ویژگی های مد نظر در جدول ذیل می باشند را لحاظ کرده ایم. تعداد این شرکت ها ۲۱ شرکت حاصل گردید.
همچنین قلمروهای پژوهش به صورت ذیل می باشند:
الف) قلمرو مکانی:
قلمرو مکانی پژوهش، بورس اوراق بهادار تهران می باشد.