پیش بینی بازار سهام

روند قیمت‌ها در مبادلات جهانی مثبت ارزیابی می‌شود که با توجه به تأثیر آن بر بورس ‌تهران، می‌تواند محرکی برای افزایش تقاضا باشد.

پیش‌بینی بازده آتی پیش بینی بازار سهام بازار سهام با استفاده از مدل‌های آریما، شبکه عصبی و نویززدایی موجک

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع‌های مهم و مورد توجه محافل علمی و سرمایه‌گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش‌های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق‌تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته پیش بینی بازار سهام باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده‌ها استفاده و سپس به وسیله شبکه عصبی پیش‌بینی شده است. مقایسه خطای پیش بینی مدل‌های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می‌دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می‏بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل‌های آریما و شبکه عصبی دارد. همچنین، مدل‌های شبکه عصبی قدرت پیش‌بینی‏کنندگی بهتری را نسبت به مدل‌های آریما نشان می‌دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می‏نماید.

کلیدواژه‌ها

20.1001.1.23831170.1393.2.2.2.7

موضوعات

• 1مدیریت دارایی
• مدیریت ریسک دارایی های مالی

عنوان مقاله [English]

Prediction of Stock Market Returns with out of Sample Data: Evaluating out of Sample Methods (Regression Method and Wavelet Neural Network)

نویسندگان [English]

• Meysam Mahmoudiazar
• Reza Raei

University of tehran

چکیده [English]

Understanding stock price behavior and price forecasting are one of the most challenging issues that speculators, traders and brokers are faced with. Since stock market was established in the nineteenth century, many researchers have focused on investigating the stock price forecasting model. At the outset some of the models such as Autoregressive, ARMA, ARIMA, ARCH and GARCH were widely applied. Although some of these models were better than others in performance, but none of them had satisfactory result. Recently a number of researchers have been considering the stock market as a dynamic nonlinear system. On the other hand, artificial intelligence techniques including neural networks, genetic algorithms and fuzzy logic have produced successful results in solving complex problems. In this study we tried to use wavelet transform and neural network to present a model that more accurately predict the return on stock market index. In this hybrid model, the smoothing property of wavelet transform is used to reduce the noise level of data then a neural پیش بینی بازار سهام network model is used for forecasting. Comparison of forecast error in ARIMA models, neural network and wavelet neural network indicates that noise reduction improves forecasting of the index returns.

کلیدواژه‌ها [English]

• ARIMA
• out of Sample Prediction
• Neural Network
• Wavelet Neural Network
• Denoising

اصل مقاله

مقدمه

پیش‌بینی، پیش شرط تصمیم است. بدون پیش‌بینی علمی، مدیریت علمی نیز وجود نخواهد داشت. به منظور اتخاذ تصمیم‌های سرمایه‌گذاری و به کارگیری مدیریت ریسک کاراتر، تصمیم‌گیرنده (سرمایه گذار) باید به موقع تغییرات بازار سهام را که تحت سیستم اقتصادی بازار قرار دارد، شناسایی کند. نوسان‌های قیمت بازار سهام تنها به رابطه بین عرضه و تقاضا وابسته نیست، بلکه توسط عوامل خارجی، نظیر: سیاست‌گذاری‌ها، خط‌مشی‌ها و نوسان­های بازار سهام خارجی که باعث دشوار شدن شبیه‌سازی و پیش‌بینی سیگنال مالی می‌شود، تحت تأثیر قرار می‌گیرد. پرسشی که در اینجا مطرح می‌شود، این است که چگونه باید دقت پیش‌بینی سیگنال‌های مالی را که موضوع مهمی در زمینه مالی است، بهبود بخشید؟

بیان مسأله

موضوع شناخت و بررسی رفتار قیمت سهام و ارزشیابی دارایی‌های مالی، همواره یکی از موضوع‌های مهم و مورد توجه محافل علمی و سرمایه‌گذاری بوده ‌است. ناشناخته بودن عواملی که بر تغییرات قیمت سهام (بازده) تأثیر می‌گذارند، دلیلی برای روی آوردن به پیش‌بینی تغییرات قیمت سهام شرکت‌هاست. در صورتی که ‌این پیش‌بینی‌ها با اریب‌ها و خطاهای زیادی همراه باشند، نتایج حاصل از این پیش‌بینی‌ها نیز شدیداً تحت تأثیر قرار می‌گیرند.

مقاله‌های متعددی درخصوص توان پیش‌بینی بازده سهام با استفاده ‌از اطلاعات گذشته وجود دارد. پژوهشگران تعداد زیادی از متغیرهای مالی را شناسایی کرده‌اند که بازده آتی سهام را پیش‌بینی می‌کنند. بعضی از این متغیرها شامل: درصد تغییرات قیمت، ارزش بازار شرکت، نسبت سود تقسیمی به قیمت[1]، نسبت قیمت به عایدی‌ها[2]، نسبت قیمت دفتری به عایدی‌ها، نسبت قیمت دفتری به قیمت بازار، نسبت قیمت بازار به‌ارزش خالص، درصد سود پرداختی، نرخ بهره کوتاه‌مدت، نسبت مصرف به ثروت و . است. اساسی‌ترین و عمومی‌ترین مدل برای پیش‌بینی با استفاده ‌از نسبت‌های فوق مدل‌های رگرسیونی است. در کنار روش‌های برآورد و پیش‌بینی داده‌های مدل‌ها، آزمون اعتبار و قابلیت پیش‌بینی این روش‌ها نیز توسعه یافته ‌است] 2[.

از زمانی که بازار سهام در قرن نوزدهم ایجاد شد، بسیاری از پژوهشگران به پژوهش بر روی مدل پیش‌بینی قیمت سهام تمرکز کرده‌اند. مدل‌های پیش‌بینی آماری، نظیر: آرما[3]، آریما[4] وآرچ[5] به طور گسترده به کار برده شده‌اند، اما هیچ کدام نتیجه مطلوب نداشته‌اند. اخیراً تعداد زیادی از پژوهشگران در پژوهش‌های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. شینکمن و لوبارون[6] (1989) دریافتند که یک پدیده بی‌نظم در سری‌های روزانه و هفتگی بازده سهام وجود دارد. پوکاتابوچرا[7] (1997) تغییر نرخ بهره بازار را با استفاده‌ از شبکه عصبی مصنوعی[8] پیش‌بینی کرد. آلگیس گارلیاسکاس[9] (1999) یک الگوریتم پیش‌بینی سیگنال‌های مالی بی‌نظم را بر اساس شبکه عصبی پیشنهاد داد. ژانگ کیان و ژائو لیکان[10] (2002) از تکنیک فیلترینگ اختلال موجک[11] و روش حداقل مربعات[12] برای پیش‌بینی قیمت سهام در چین استفاده کردند]14[.

دانشمندان و پژوهشگران در دهه آخر قرن بیستم عمدتاً به ‌این اصل معتقد شدند که فرض منطقی بودن سرمایه‌گذاری که ‌اصل غیرقابل اغماض در سرمایه‌گذاری مدرن مالی است و یکی از مفروضات اصلی در بازار کارا و یا مدل بازار است، با توجه به عوامل پیچیده‌ای که در بازارهای سهام دخیل ‌هستند، واقعی نیست. آنها به ‌این نتیجه رسیده‌اند که بازار سرمایه دارای نظم مشخصی نیست و استفاده ‌از ریاضیات پیچیده در سیستم‌های غیرخطی و پویا می‌تواند مدل‌هایی را ایجاد کند که نظریه‌های گذشته را باطل نماید. در سال‌های اخیر در پی پیشرفت‌هایی که در زمینه رایانه و هوش مصنوعی[13] و همچنین، کشف روابط آشوبی در سری‌های زمانی غیرخطی پدید آمد، فعالیت‌هایی در جهت پیش‌بینی قیمت در بورس اوراق بهادار در کشورهای مختلف انجام شد. تکنیک‌های هوش مصنوعی که شامل شبکه‌های عصبی[14]، الگوریتم ژنتیک[15] و منطق فازی است، نتایج موفقیت‌آمیزی در زمینه حل مسایل پیچیده به دست آورده‌اند ]3[.

از طرف دیگر، پیش‌بینی درون‌نمونه‌ای [16] از اعتبار چندانی برخوردار نیست، زیرا پیش‌بینی فرآیندی آینده نگر است؛ یعنی ما باید بتوانیم با داده‌های امروز مقادیر مربوط به آینده را پیش‌بینی کنیم. مسلماً با وجود داده‌های درون نمونه‌ای، چیزی را که ‌از پیش‌بینی انتظار داریم، به دست نخواهیم آورد. همان طور که در بالا اشاره شد پژوهش‌های متعددی در دنیا در زمینه پیش‌بینی درون‌نمونه‌ای انجام شده که در این پژوهش‌ها هم از روش‌های رگرسیونی و هم از روش‌های شبکه عصبی استفاده شده‌ است، اما پژوهش‌های نسبتاً کمی در ارتباط با پیش‌بینی برون‌نمونه‌ای [17] انجام شده ‌است. در ایران نیز چندین مقاله مشاهده شده است که برای پیش‌بینی از روش‌های رگرسیونی پیش بینی بازار سهام و شبکه عصبی استفاده کرده‌اند، اما تنها تعدادی از آنها از پیش‌بینی برون‌نمونه‌ای استفاده کرده‌اند.

ادبیات پژوهش

موجک‌ها توابع ریاضی هستند که برای تجزیه و تحلیل سری‌های زمانی که شامل متغیرها و غیرثابت‌هاست، شکل مقیاس- زمان سری‌های زمانی و روابط آنها را ارایه می‌دهند. تحلیل موجکی برای اطلاعات دارای فرکانس پایین، استفاده ‌از فاصله‌های زمانی طولانی‌مدت پیش بینی بازار سهام و برای اطلاعات دارای فرکانس بالا تناوب‌های کوتاهتر را ارایه می‌دهد. تحلیل موجکی قادر به نمایش جنبه‌های گوناگون داده‌های متفاوت، نقاط شکست و ناپیوستگی‌هاست که ممکن است دیگر روش‌های تجزیه و تحلیل سیگنال آن را نشان ندهد]5[.

تبدیل موجک پیوسته تابعی از دو متغیر است که به روش طرح‌ریزی تابع در یک موجک خاص و به وسیله معادله زیر به دست می‌آید:

نسخه‌ اصلی تابع موجک به وسیله برگردانده و به وسیله انتقال داده شده ‌است. در نتیجه، ضرایب موجک تابعی از این دو پارامتر؛ یعنی مکان و اسکیل ‌هستند، درحالی که تابع اصلی تنها تابعی از یک پارامتر بود. ضرایب بزرگ موجک هنگامی روی می‌دهند که موجک خاص و تابع از نظر شکل مشابه باشند.

در عمل، تبدیل موجک گسسته ‌از طریق الگوریتم هرمی مالات پیاده‌سازی می‌شود]18[. این فرآیند با داده‌های شروع می شود و سپس سری‌ها با استفاده ‌از فیلتر می‌شوند. زیرنمونه‌های حاصل از خروجی این فیلتر نصف طول اصلی‌شان هستند. خروجی حاصل از فیلتر به عنوان ضرایب موجک حفظ می‌شود و سپس فرآیند فیلترینگ بالا بر روی خروجی‌های حاصل از فیلتر تکرار می‌گردد. نماد بدین معنی است که ‌هر مقدار دیگری از بردار ورودی حذف شده ‌است.

یک سیگنال می‌تواند به وسیله ‌الگوریتم پیش بینی بازار سهام آبشاری که در معادله 2- نشان داده شده ‌است، بیشتر تجزیه شود.

و به ترتیب ضرایب تفصیل و ضرایب تقریب در سطح هستند.

یک مشکل در رابطه با تبدیل موجک گسسته ‌این است که تبدیل موجک گسسته دارای وردایی[18] تبدیل است. وردایی تبدیل عبارت است از عدم تطابق تبدیل موجک گسسته یک سطح، با تبدیل موجک گسسته یک سطح دیگر با همان تغییر در یک توالی داده]7[. در رابطه با وردایی تبدیل می‌توان گفت تغییرهای کوچک در شکل موج‌های ورودی، به تغییرات بزرگ در ضرایب موجک منجر می‌شود و این باعث می‌شود انتقال گسسته موجک برای این پژوهش نامناسب باشد، زیرا ما نمی‌توانیم این اطلاعات را به نقطه‌ زمانی معین در مقیاس‌های مختلف نسبت دهیم]6.[ بنابراین، ما به یک تبدیل موجک ناوردا و یا حداقل ناوردای زمانی برای مدل پیش‌بینی نیاز داریم] 8.[

تبدیل موجک ایستا، یکی از تبدیل‌های موجک است که مهمترین خاصیت آن ناوردا بودن زمانی آن است. این روش مشابه تبدیل موجک گسسته ‌است؛ با این تفاوت که عمل زیرنمونه‌گیری[19] از سیگنال در این روش انجام نمی‌شود و در عوض فیلترها بالانمونه‌گیری[20] می‌شوند]16[. پژوهش‌های قبلی نشان داده‌اند که وردایی تبدیل نتیجه عمل کاهش نمونه در تبدیل موجک گسسته ‌است]8[. بنابراین، ساده‌ترین راه برای اجتناب از وردایی تبدیل حذف کردن عملیات زیر نمونه‌گیری است و این درحقیقت، تفاوت اصلی بین تبدیل موجک ایستا و تبدیل موجک گسسته است. شکل 2-1 بانک فیلتر تبدیل موجک ایستا را نمایش می‌دهد. در این شکل می‌توان مشاهده کرد که تبدیل موجک ایستا همانند تبدیل موجک گسسته‌ است؛ غیر از اینکه در تبدیل موجک ایستا سیگنال‌ هرگز دچار زیرنمونه‌گیری نمی‌شود و در عوض، در هر سطحی از تجزیه سیگنال با بالا نمونه‌گیری مواجه خواهد شد. بنابراین، تبدیل موجک ایستا ناوردایی تبدیل دارد و این دقیقاً همان چیزی است که ما می‌خواهیم.

پیش بینی بازار سهام و کالا با استفاده از مربع نه تایی گن

ویلیام دلبرت گن یکی از مشاوران مالی و معامله گران قدرتمند بازارهای سهام و کالا در نیمه ی اول قرن یستم میلادی بود. وی در دهه ی 1920 روش مربع نه تایی خود را به عنوان ابزاری جهت معامله و پیش بینی بازار معرفی نمود. او این روش را در ابتدا در جلسات خصوصی و بعدها در جزوات خود آموزش می داد. کتاب پیش بینی بازار سهام و کالا با استفاده از مربع نه تایی گن تمام تکنیک های اصلی روش مربع نه تایی را به صورت مشروح بیان می کند. گن در نوشته هایش از این روش به نام های دیگری مانند مربع جادویی یا حسابگر زمان و قیمت نیز یاد می کرد. در 14 فصل کتاب روش های متعدد و متنوعی از پیش بینی قیمت و هم چنین زمان وقوع اوج ها و افت های بازارهای سهام و کالا بیان می گردد و در 2 پیوست به بیان دو اندیکاور پیش بینی بر این مبنا می پردازد.

فهرست مطالب کتاب پیش بینی بازار سهام و کالا با استفاده از مربع نه تایی گن:

فصل اول: مقدمه
فصل دوم: پیش بینی قیمت با استفاده از سلول‌های مربع گن
فصل سوم: پیش‌بینی قیمت با استفاده از لایه‌ها و سلول‌ها
فصل چهارم: پیش‌بینی زمان وقوع پیوت با استفاده از اعداد روی مربع گن
فصل پنجم: پیش‌بینی زمان وقوع پیوت با استفاده از لایه‌ها
فصل ششم: پیش‌بینی قیمت با استفاده از نرخ تصاعد
فصل هفتم: پیش‌بینی قیمت با استفاده از نرخ تصاعد و لایه‌ها
فصل هشتم: پیش‌بینی قیمت با استفاده از نرخ تنزل
فصل نهم: پیش‌بینی قیمت با استفاده از نرخ تنزل و لایه‌ها
فصل دهم: پیش‌بینی قیمت با استفاده از پایه صفر
فصل یازدهم: پیش‌بینی قیمت با استفاده از پایه صفر و لایه ها
فصل دوازدهم: پیش‌بینی تاریخ ها با استفاده از لایه های شکلی
فصل سیزدهم: شبکه پیش‌بینی قیمت – زمان نوع یک
فصل چهاردهم: شبکه پیش‌بینی قیمت – زمان نوع دو

پیوست 1: اندیکاور پیش بینی سقف و کف بر مبنای مربع نه تایی
پیوست 2: اندیکاتور بیش گسترده در مربع گن
پیوست 3: زوایای دایره محیطی و زمان متناظر آن
پیوست 4: زوایای سلول‌های 8 چرخش نخست مربع گن
پیوست 5: فهرست حداقل تیک قیمتی قراردادهای آتی

پایان‌نامه
پیش بینی روند معاملات بازار سهام با استفاده از داده کاوی بر روی داده های بزرگ

چکیده:
بازار سرمایه در هر کشوری از اهمیت ویژه ای برخوردار است. سرمایه‌گذاری در این بازار مستلزم بررسی وضعیت موجود بازار و پیش بینی روند آینده آن می‌باشد. در صورتیکه بتوان روند آتی بازار سرمایه را با روش‌های مناسب پیش‌بینی کرد، بازدهی حاصل از سرمایه‌گذاری بیشینه خواهد شد. در این تحقیق برای پیش‌بینی روند معاملات بازار سرمایه از تکنیک‌های داده‌کاوی روی داده‌های بورس اوراق بهادار تهران بواسطه الگوریتم‌های شبکه عصبی پرسپترون چند لایه با روش پس‌انتشار ( BP) ، ماشین بردار پشتیبان (SVM) و رگرسیون خطی استفاده شد. همچنین نرم‌افزارهای تحلیل تکنیکال آمی بروکر و داده‌کاوی WEKA برای ایجاد متغیرهای تحقیق و پیش‌بینی بکار گرفته شدند. نتایج حاصل از تحقیق درخور توجه و حاکی از قابلیت‌های برجسته پیش‌بینی با استفاده از تکنیک‌های انتخابی این پژوهش بودند. همچنین اندیکاتور ابداعی سام دارای نتایج تحلیل فنی قابل ملاحظه‌ای بوده، بعنوان یکی از متغیرهای پژوهش تاثیر بسزائی در بالا بردن صحت پیش‌بینی داشت. در میان انواع الگوریتم‌‌های داده-کاوی موجود، ماشین بردار پشتیبان با درصد صحت پیش‌بینی بمراتب بالاتری نسبت به سایرین، مناسبترین روش این تحقیق در پیش‌بینی روند معاملات بازار سرمایه شناسائی و معرفی گردید.

پیش بینی بورس فردا 7 اردیبهشت 1401/ دوپینگ بازار سهام با قیمت های جهانی

روند قیمت‌ها در مبادلات جهانی مثبت ارزیابی می‌شود که با توجه به تأثیر آن بر بورس ‌تهران، می‌تواند محرکی برای افزایش تقاضا باشد.

بورس24 : طی بازار امروز با بازگشت نفت به مدار صعود و افزایش امیدواری‌ها به افزایش دوباره نرخ کامودیتی‌ها با کاهش محدودیت‌ها در چین از یک‌سو و کاهش طبقه عوارض صادراتی به ویژه در گروه فلزات اساسی و استخراج کانه‌های فلزی از سوی دیگر، در عموم نمادهای کامودیتی‌محور معاملات با اقبال سرمایه‌گذاران پیش بینی بازار سهام دنبال شد.

در نمادهای کوچک نیز با انتشار اخبار پیرامون صنعت و با تداوم روند صعودی شاخص، معاملات در مدار مثبت دنبال شد، چنانکه درنهایت شاخص با رشدی بیش از یک درصد به کار خود پایان داد.

حال با توجه به موقعیت تکنیکالی شاخص دلار در بازارهای جهانی و قرارگیری آن در ناحیه مقاومت خود و با پیش‌بینی‌ها از کاهش قدرت دلار در مقابل سایر ارزها طی روزهای آتی و درنتیجه‌ی آن بازگشت کامودیتی‌ها به مدار صعود از یک‌سو و افزایش نرخ نفت و سوخت با تداوم درگیری‌های اوکراین، روند قیمت‌ها در مبادلات جهانی مثبت ارزیابی می‌گردد که با توجه به تأثیر آن بر بورس‌تهران، می‌تواند محرکی برای افزایش تقاضا باشد.

از سوی دیگر با انتشار اخبار پیرامون صنایع مختلف همچون افزایش نرخ مواد شوینده و همچنین عرضه بلوکی نمادهای خودروساز و نحوه قیمت‌گذاری آن‌ها، همچنین می‌توان برای بازار فردا انتظار حضور دوباره سرمایه‌گذاران در سمت تقاضا را برای این نمادها و گروه‌ها داشت و کلیت بازار را برای بخش قابل توجه نمادهای کوچک مثبت برآورد نمود.

درمجموع با توجه به موارد مذکور در بازار و همچنین اتمام معاملات بسیاری از نمادهای شاخص ساز همچون نمادهای پالایشی در بازه‌های مثبت و در قیمت‌هایی بالاتر از قیمت‌های پایانی امروز و همچنین اتمام معاملات بسیاری از نمادهای کوچک همچون ورنا و وساپا در صف‌های خرید و با در نظر گرفتن پیش‌بینی‌ها از روند قیمت‌ها در مبادلات جهانی، برای بازار فردا می‌توان روند کلی معاملات را متعادل و رو به جلو برآورد نمود.

متن کامل چشم انداز بازار فردا را ایـــنــــجـــا بخوانید.

مجله تحقیق در عملیات در کاربردهای آن ( ریاضی کاربردی سابق )

اخیراً مساله‌ای که توجه زیادی را به خود جلب کرده، پیشرفت فزآینده بازارهای پولی و مالی می‌باشد. هم‌اکنون یکی از اهداف اصلی گردانندگان بازارهای پولی و مالی این است که هر کسی، با هر سلیقه و هر مقدار و انتخاب هر نوع دارایی بتواند وارد این بازارها شده؛ فرصت‌های مناسب سرمایه‌گذاری را تشخیص دهد و در صورت تشخیص صحیح بتواند سود مناسبی کسب نماید. در توسعه و به‌کارگیری یک مدل پیش بینی، یکی از مسایل مهمی که باید مورد توجه قرار گیرد دقت آن‌ها در مدل کردن روندهای آشوبناک و غیرخطی موجود در اکثر سیستم‌هاست .امروزه مدل‌های هوش مصنوعی از قبیل شبکه‌های عصبی مصنوعی، منطق فازی و الگوریتم‌های ژنتیک به دلیل توانمندی بالایی که در مدل کردن مسایل پیچیده مهندسی و سیستم‌های غیرخطی دارند به موضوع رایج تحقیقات در حوزه‌های مختلف تبدیل شده‌اند. در همین راستا با توجه به رویکرد سیستم‌های هوشمند در پیش‌بینی بازارهای مالی مدل ترکیبی هوشمند بَت- عصبی ارایه داده شدکه نتایج حاصل از پیش بینی دو نماد بیمه آسیا و مخابرات ایران در بازار بورس تهران نشان داد این مدل با دقت بالاتری نسبت به مدل های مقایسه‌ای ژنتیک عصبی و. عمل می‌کند.