چکیده:
هدف این پژوهش بررسی موانع موجود در تعیین قیمت سهام به روش شبکه عصبی مصنوعی در شرکت های صنایع فلزی و کانی پذیرفته شده در بورس اوراق بهادار تهران می باشد. در این پژوهش از دو روش تحلیل آماری و شبکه عصبی استفاده شده است. در روش تحلیل آماری پرسشنامه ای تدوین گردید که بین کارشناسان ارشد بورس اوراق بهادار و اساتید دانشگاه آزاد واحد های شهر تهران که به مفاهیم شبکه عصبی و پیش بینی قیمت سهام آشنایی کامل دارند، توزیع شد و با استفاده از آزمون t و کای اسکور به بررسی فرضیات پژوهش پرداخته و در نهایت تمام فرضیه ها مورد تایید قرار گرفت. مجددا فرضیات پژوهش با استفاده از روش شبکه عصبی پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – مارکوات مورد بررسی قرار گرفت و مشخص گردید در حالتی که شاخص ها به عنوان ورودی وارد شبکه می گردند پیش بینی قیمت سهام نسبت به حالتی که شاخص ها به عنوان ورودی وارد شبکه نمی گردند، از دقت کافی برخوردار نیست و در عین حال خطای شبکه هم افزایش می یابد. در نهایت نتایج شبکه عصبی با نتایج تحلیل آماری مطابقت دارد به عبارتی در هر دو روش، شاخص ها به عنوان موانعی در پیش بینی قیمت سهام به روش شبکه عصبی تعیین گردیده است.
This study aims to investigate the extant preventives in determining price of shaves by using artificial nerve network in metal and mineral industries companies accepted in Tehran Securities Exchange.
We applied two statistical analysis and nerve network methods for examination of hypnotizes. A questionnaire was created for statistical analysis method and statistical society including senior experts of securities exchange course and instructors from Tehran Azad University, who are familiar with the concepts of nerve network and also forecasting shares prices. The research hypnotizes were dealt with use of t test and score, ultimately all hypnotizes were approved.
In the nerve network, the assumptions of research were studied by the use of nerve network and after the distribution of the error and Market-Loren berg educational model and it was determined that while all the indexes were entered into the network as input, the for forecasts of prices do not enter into the network as precisely as the indexes do enter. Also, the rate of network error was increasing.
The results of nerve network corresponded with the results of statistical analysis. In other words, in both methods, the indexes have been marked as obstacles for forecasting the shares prices by the use of nerve network method.
خلاصه ماشینی:
در روش تحليل آماري پرسشنامه اي تدوين گرديد که بين کارشناسان ارشد بورس اوراق بهادار و اساتيد دانشگاه آزاد واحدهاي شهر تهران که به مفاهيم شبکه عصبي و پيش بيني قيمت سهام آشنايي کامل دارند، توزيع شد و با استفاده از آزمون t و کاي اسکور به بررسي فرضيات پژوهش پرداخته و در نهايت تمام فرضيه ها مورد تاييد قرار گرفت .
مجددا فرضيات پژوهش با استفاده از روش شبکه عصبي پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – مارکوات مورد بررسي قرار گرفت و مشخص گرديد در حالتي که شاخص ها به عنوان ورودي وارد شبکه مي گردند پيش بيني قيمت سهام نسبت به حالتي که شاخص ها به عنوان ورودي وارد شبکه نمي گردند، از دقت کافي برخوردار نيست و در عين حال خطاي شبکه هم افزايش مي يابد.
آنها با توجـه بـه مدل ارائه شده اقدام به پيش بيني شاخص با مدلهاي شبکه هـاي عصـبي RMSE قيمـت سهام در بورس تايوان و اين مدل را با توجه به معيار عملکرد مصـنوعي ، مـدل ابتکـاري چند متغيري با سريهاي زماني فازي و مدلي با استفاده از سـريهـاي زمـاني فـازي در فاصله زماني سالهاي ٢٠٠٠ تا ٢٠٠٤ مورد بررسي قرار دادهاند.
ir ٧- مدل پژوهش (روش شبکه عصبي ) در اين روش ابتدا قيمت سهام با استفاده از شبکه عصبي پـيش بينـي مـي شـود و در مرحله بعد سه شاخص ميانگين متحرک ، قدرت نسبي و نرخ تغيير قيمت به عنوان موانع پيش بيني قيمت سهام به ورودي شبکه اضافه مي گردد و در مورد رد يا تاييد فرضيه هاي پژوهش تصميم گيري مي شود در زير به معرفي شبکه عصبي مورد اسـتفاده در پـژوهش مي پردازيم (ضميمه شماره ١).