*سمش حلاف ضیف ریم رتکد یرغصا زاونلد اتیبjpm.iaut.ac.ir/article_518498_76eab831b4c014711eba3239e6cf9769.pdf · 1388 ناتسبات – 9 هرامش

عصبی های شبکه از استفاده با تهران بهادار اوراق بورس شاخص بینی پیش

1*دکتر میر فیض فالح شمس

2بیتا دلنواز اصغری

چکیدهتاثیرگذار بر تصمیمات عوامل مهمترين از يكي سهام قیمت هایو روند شاخص اندازه

از تكنیكهای مختلفي بیني بازار باشد. جهت پیشگذاران در بازارهای مالي مي سرمايه

هستند 3ARIMAهای ترين آنها روشهای رگرسیون و مدلاستفاده شده است که معمول

ر ضدر تحقیق حا اند.بیني بعضي از سريها ناموفق بودهها در عمل جهت پیشاما اين مدل

با قانون يادگیری 4های عصبي پیش خوربیني شاخص کل بورس از مدل شبكهبرای پیش

نتايج و گرديد استفاده ورودی متفاوت با الگوهای در سه ساختار شبكه 5خطا انتشار پس

گرفت. قرار مقايسه مورد ARIMA هایمدل و متغیره چند های رگرسیونمدل با نتايج مدل

ل به میزان قاب RMSE های عصبي خطاینتايج تحقیق نشان داد که روش شبكه

بینيیشبازار بورس اوراق بهادارتهران پدر و است ديگر روشهای RMSE کمتر از توجهي

ر ت والنيط مانيزبیني بلند مدت با فاصله تر از پیشکمتر، مناسب مدت با فاصله زماني کوتاه

است

های زمانيهای عصبي، سریبیني ، شبكهشاخص سهام ، پیش کلیدی: هایواژه

،تهران،ايراندانشگاه آزاد اسالمي، ،واحد تهران مرکزی ، ليما گروه مديريتستاديارا1

[email protected] مالي مديريت ارشد کارشناسي موختهدانش آ واحدتبريز ودانشگاه آزاد اسالمي ارمندک2

3. autoregressive integrated moving average 4. Feed Forward Neural network 5. back propagation

«فراسوی مديريت»

1388تابستان _ 9شماره _سوم سال

191 -212ص ص

1388تابستان – 9شماره –فراسوی مدیریت

192

مقدمه

ين همترپیش بیني آينده در عرصه پويای اقتصاد و بازار سرمايه يكي از م

ن ری ايويژگي مسائل اقتصادی و تجا مسائل مورد بحث درعلوم مالي بوده است.

اری از بسی و هستندو فرهنگي است که بشدت تحت تاثیر مسائل اجتماعي، سیاسي

ییرگ زهبه سختي قابل انداو با روشهای کمي استپارامترهای آنها ناشناخته

. باشند مي

ها روشهای کالسیک مانند رگرسیون گرچه توفیقات نسبي دراين زمینه

الً د معمونماي اما نتايج آن نتوانسته است پژوهشگران اين عرصه را راضي اند، داشته

از ت آمدهه دسببه منظور پیش بیني وقايعي که در آينده اتفاق مي افتد به اطالعات

تحلیل يه وهای گذشته تجز رويدادهای تاريخي اتكا میشود. به اين ترتیب که داده

پیش شهایدراغلب رو ،گردد تا از آن الگوئي قابل تعمیم به آينده حاصل گردد مي

داشت. واهدبیني فرض بر اين است که روابط بین متغییرها در آينده نیز ادامه خ

س اوراق بهادار تهران را باتوجه به اين تحقیق برآن است تا شاخص کل بور

سری زماني آن درگذشته پیش بیني نمايد. درتكنیک سری زماني محققان سعي

چنانچه اعداد ها، فرايند ايجاد آنها را حدس بزنند، دارند از نحوه تسلسل شماره

سری مربوطه از يک توزيع يكسان پیروی کنند يعني در طول زمان مستقل از

هر استراتژی که انتخاب شود تمال وقوع يكسان داشته باشند،يكديگر بوده واح

خوب است ولي اگرعددی احتمال وقوع بیشتری را نسبت به ساير اعداد داشته باشد

. 1(58،1992منتخب عدد مزبور را مد نظر قرار خواهد داد)هندريكسون، استراتژی

هم ساخته و تصمیمات بنابراين سری زماني ارقام،اطالعاتي را پیرامون نتايج آتي فرا

بعدی را تحت تاثیر قرار مي دهد.

1- Hendriksen

... و تهران بهادار اوراق بورس شاخص بینی پیش

193

بورس آئینه تمام نمای وضعیت اقتصادی يک کشور است. بورس اوراق

ظور بمن ، آوری پس اندازها و نقدينگي بخش خصوصي ازسوئي مرکز جمع بهادار

و ازسوی ديگر محل رسمي گذاری بلند مدت و های سرمايه تامین مالي پروژه

برای د راتوانند وجوه مازاد خو ه دارندگان پس اندازهای راکد ميمطمئني است ک

وند ش مي گذاری درشرکتها به کار اندازند و متناسب با ريسكي که متحمل سرمايه

بازده خود را کسب کنند.

را از ارانشوکهای ناگهاني بازار و سقوط قیمتها تعداد زيادی از سرمايه گذ

ان ه گذارموجب افزايش اطمینان سرماي،منابع بازار خارج میكند . تخصیص صحیح

منه فرصتهای دا افزايش ابزارهای مرتبط با شاخص مالي، و کارائي بازار خواهد شد.

صلي دودلیل ا گذاران گسترش داده است. گذاری جهاني را برای سرمايه سرمايه

ی ری را برا،آنها ابزارهای موثاينكه اول برای پیشرفت اين ابزارها وجود دارد؛

و دورنآ های بالقوه بازار فراهم مي گذاران به منظور محافظت از ريسک سرمايه

وماني فرصت های کسب سود جديدی را برای کساني که از موقعیت های ز ،اًدوم

ش بیني پیرای باسب ارائه مدل منمكاني بازار استفاده میبرند، ايجاد میكنند. بنابراين

ر باالئي برخوردار است.از اهمیت و کاربرد بسیا شاخص بورس

درمسائل مالي و اقتصادی عمدتاً با يک سری روابط غیر خطي مخصوصاً

ز فاده ااست بابازار سهام سرو کار دارند لذا پیش بیني وضعیت آينده بازار سهام

مدلهای متعارف خطي میسر نخواهد بود.

علي طي غیر خبرای پیش بیني سريهای مصنوعي از شبكه های عصبي استفاده

تكنیک های امكان استفاده ازکه الخصوص جايي که شرايطي از قبیل ايستائي

متداول مي باشد.بسیار ،سريهای زماني پیچیدهو همچنین در مقدور نباشدکالسیک

اين تحقیق به دنبال اين است که شاخص کل بورس اوراق بهادار تهران را با توجه

یش بیني نمايد. از آنجا که ارقام شاخص پ به سری زماني اعداد شاخص در گذشته،

واطالعات باشد مي معامالت سهام وحجم های در سری زماني آن، برآيندی از قیمت


194

موثر برآن قیمت ها و معامالت عمدتاً اطالعات تاريخي هستند لذا اين تحقیق را

میتوان به نوعي آزمون کارائي بازار سرمايه ايران در سطح ضعیف نیز قلمداد کرد.

در اين تحقیق با مدلسازی پیش بیني شاخص کل بورس اوراق بهادار تهران با

استفاده از شبكه های عصبي انتظار میرود که خطای پیش بیني حداقل باشد.

وجه توری نظريه ها و نوآوری های مالي دريكي دو دهه اخیر بر پايه نقش مح

ای ررسي روندهبه حرکتهای عمومي بازار با گرايش روزافزون به محاسبه وب

(1376،23حرکتي شاخصها همراه بوده است.)سازمان بورس اوراق بهادار تهران،

يده و پدشاخص از نظر لغوی به معني وسیله ای جهت تشخیص و يا تمیز بین د

دازه گي انمقايسه بزر جهتکه از يكديگر مي باشد. اما از نظر آماری کمیتي است

لف های مخترود اگر بخواهیم پديده های مختلف يک يا چند متغیر بكار مي

م از سي کنیبرر اقتصادی واجتماعي را با هم مقايسه نمايیم و تغییرات ايجاد شده را

ير وارد زبطور خالصه شاخص های بازار سرمايه برای م گیريم.شاخص ها بهره مي

(2000،48استفاده مي شوند: )بروان و ريلي،

یش پ ،ریمديران حرفه ای سرمايه گذابه عنوان محكي برای ارزيابي عملكرد

ماتیک محاسبه ريسک سیست و ،)توسط تحلیل گران فني(بیني حرکات آتي بازار

دارايي ها.

د.شون شاخص های قیمت سهام معموال بر پايه دو ويژگي زير دسته بندی مي

(.1376) سازمان بورس اوراق بهادار تهران،

( شیوه وزن دهي1

( روش میانگین گیری2

رد:از ديدگاه شیوه وزن دهي شاخصها را مي توان به سه دسته تقسیم ک

الف( شاخص های قیمتي بي وزن

ب( شاخصهای قیمتي با وزن برابر

ج( شاخص های قیمتي با وزني برابر با ارزش بازار سهام


195

کل قیمت سهام در بورس اوراق بهادار تهران شاخصي از نوع شاخص

هاست و با عنوان ابر ارزش بازار سهام شرکتمیانگین حسابي با وزنهايي بر

های پذيرفته شده در شامل تمامي شرکت ،کهشوداخته مينش 1المللي تپیكسبین

شود.اين شاخص بطور روزانه محاسبه و اعالم مي ،باشدبورس مي

ش شاخص قیمت سهام، نشان دهنده وضعیت کلي اقتصاد کشور است. افزاي

ن آهبودی در اوضاع واحوال اقتصادی و کاهش اين شاخص به معني رونق و ب

معني يک بورس اوراق بهادار به (.1382،53گويای بحران و رکود است. )دواني،

وراق ايا بازار متشكل و رسمي سرمايه است که در آن خريد و فروش سهام شرکتها

جام مشارکتي دولتي و موسسات معتبر خصوصي، تحت ضوابط و مقررات خاصي ان

مي رسد.1340که سابقه آن در کشور ما به اواخر دهه ،مي شود

ز يکاهدف بازار سرمايه عبارت از انتقال وجوه بین پس انداز کنندگان

ي طمئنمطرف و تولید کنندگان از طرف ديگر مي باشد. اين دو گروه در شرايط

ز ا بازار ت دريكديگر را پیدا نموده و معامله خود را انجام دهند.اين احساس امنی

ای برخوردار است و در جذب سرمايه های کوچک و بزرگ نقش اهمیت ويژه

ارزنده ای دارد.

ارا ای ککند. در بازاره کارايي نقش مهمي را در بازارهای سرمايه ايفا مي

ای یحي برم صحها نشانده عالئ هنگامیكه دارايیها مورد معامله قرار مي گیرند قیمت

ز يه افیدی را برای هدايت جريانات سرماتخصیص سرمايه هستند و راهنمايي م

ه های مولد، ارائ گذاری در پروژه انداز کنندگان به طرف سرمايه طرف پس

قوی و نیمه قوی ،ضعیف قابل بررسي است:سطحسه سطح دردهند.کارايي بازار مي

.کارايي

1- TEPIX


196

ه کنیم يک بازار را با توجه به سیستم اطالعاتي آن هنگامي کارا مي خوا

اتي طالعاواکنش قیمتها زماني صورت بگیرد که همه افراد عالئمي را که سیستم

يد کهدمشاهده نمايند. بعبارت ديگر تغییر قسمت را زماني خواهیم را دهد مي

یمتها قکه توانیم بگويیم آگاهي از اطالعات همه گیر شده باشد. در اين حالت مي

(1981،34انعكاس دهنده سیستم اطالعاتي هستند)بي رو،

ت. ن اسهای مرتبط با آ بدون شک اتخاذ هر تصمیم نیازمند اطالعات و داده

،ینيبیش پشوند. لذا بسیاری از اين اطالعات از طريق فرايند پیش بیني تهیه مي

ها واست زيرا اثر بخشي هر تصمیم به پیامد هاگیري عنصری کلیدی در تصمیم

ر قابلهای غی پیش بیني جنبه اناييتصمیم بستگي دارد و تو از رويدادهای بعد

،ر شودمنج تواند به انتخاب بهتری کنترل اين رويدادها، قبل از اتخاذ تصمیم مي

ها گیری است. با وجود آنكه پیش بیني کاهش ريسک درتصمیم،هدف پیش بیني

ای پیشه بردقیق نیست ولي میزان خطای پیش بیني به سیستم مورد استفاد معموالً

ش افزاي را توان دقت آن دارد. با صرف منابع بیشتر برای پیش بیني مي بیني بستگي

هش ا کاداد و در نتیجه برخي زيانهای ناشي از عدم اطمینان را حذف کرد و ي

گیری ويژگي مهم يک سیستم تصمیم (.42،19901داد.)مونتگومری و سايرين،

ست. قطعیت ايابي به کارايي بهینه در موارد عدم خوب، توانايي آن در دست

های عصبي شبكه .دهد افزايش دقت در پیش بیني عدم اطمینان را کاهش مي

که يي باال های غیرخطي ناپارامتری هستند که با قابلیت يادگیریمصنوعي مدل

، ر واقعد. دبیني و کنترل بكار بربندی، پیش اهداف طبقه درتوان آنها رادارند مي

سقوط که آنها قادرند برای تحوالتي چونهای عصبي اين است قدرت اصلي شبكه

خطي دار از قبول فرض های نفتي به عنوان انحرافات معني بازار بورس و شوک

.بودن، مدل های بهتری بسازند

صان توجه متخص های عصبي درحوزه اقتصاد مالي، کم نظیر شبكه موفقیت

مینه استفاده ز در پژوهش و نیز به خود جلب کرد اقتصاد کالن واقتصاد سنجي را


197

آغاز 90در اقتصاد کالن در دهه و مدل سازی پیش بیني عصبي برای های ازشبكه

توان به دوره پس از انتشار مقاله مشهور خوان و ها را مي شد. اوج اين پژوهش

سری زماني اقتصاد کالن که نلسون 14نشان دادند آنها ( نسبت داد. 1994) 1وايت

مورد تجزيه و تحلیل قرار دادند، به خوبي با 1982ال در مقاله خود در س 2و پالستر

3سازی هستند. اين موضوع با نتايج پرون های عصبي قابل مدل استفاده از شبكه

( که نشان داد يک يا دو تحول ساختاری موجب ايستايي چنین سری هايي 1989)

های عصبي ( عملكرد شبكه2000) 4مشیری و کامرونمیشوند، سازگار است.

های زماني را برای پیش بیني نرخ های اقتصاد سنجي و سری وعي با ساير روشمصن

های های شبكه عصبي را با مدل تورم کانادا مقايسه کردند. در اين مقاله، آنها مدل

های زماني مختلف )يک، سه و برای افق ARIMAو VAR ،BVARساختاری،

گرفته شده در اين پژوهش، ريشه کنند. معیارهای به کار دوازده ماه بعد( مقايسه مي

( نشان دادند که MAE( و میانگین قدر مطلق خطاها)RMSEمیانگین مربع خطاها)

های های اقتصاد سنجي و سنتي و سری های عصبي قادرند به خوبي تمام روش شبكه

زماني، ودر بعضي از موارد بهتر از آنها نرخ تورم کانادا را پیش بیني کنند.

ان س ايره از شبكه های عصبي در مسائل بازار سهام و بوراستفاد زمینهدر

ين ادر تحقیقاتي انجام شده است. با توجه به اينكه متدولوژی مورد استفاده

وع موض تحقیقات شبیه نمونه های خارجي مي باشد و با عنايت به اين مطلب که

ذا ل ست،ع تحقیق حاضر متفاوت اوتحقیقات انجام شده در ايران تا حدی با موض

ر ارد زيه مودر اينجا فقط به ذکر عنوان تحقیقات اکتفا مي گردد. به عنوان نمون

ذکر مي گردد:

1-Kuan & White 2-Nelson & Plosser 3- perron 4- Moshiri&Cameron


198

صبي دانشگاه تربیت مدرس کاربرد شبكه های ع ،(1382).آقای حسین تیموری1

در پیش بیني شاخص صنعت تحت تاثیر متغیرهای کالن اقتصادی را مورد

بررسي قرار داده است.

احي تحت عنوان طر دانشگاه تهران (،1377،)کتری رضا راعي. رساله دوره د2

گذاری مناسب با استفاده از هوش مصنوعي سرمايه

صبي به عهای از شبكه ،دانشگاه شیراز (،1380،)عبدالرضا پي تامنامه پايان. 3

منظور پیش بیني قیمت سهام يک شرکت داروئي استفاده نموده اند.

، خطا يق تحلیل و آزمون ريشه میانگین مربعدر تمامي مطالعات مذکور از طر

بيهای عص ضريب تعیین و ساير آزمونهای مرتبط مشخص گرديد مدل های شبكه

هام رد سبا توجه به خاصیت منعطف آنها از قدرت باالتری برای پیش بیني عملك

برخوردار مي باشند.

ست:اين تحقیق از ابعاد علمي و کاربردی به دنبال تحقق اهداف ذيل ا

بي بررسي وتجزيه وتحلیل امكان استفاده ازشبكه های عصآن علمي هدف

عف ضت و در حل مسائل مربوط به حوزه های مالي و بازار سهام و بیان نقاط قو

اده از امكان پیش بیني شاخص کل بورس تهران با استفآن هدف کاربردیو آنها

شبكه های عصبي

ا يشبكه های عصبي کوچكتر از، خطای پیش بیني حاصل از مدل :فرضیه اصلی

و مدلهای رگرسیون ARIMAمساوی خطای پیش بیني حاصل از مدلهای

چند متغیره است.

ست و طا اخمنظور از خطای پیش بیني در عبارت فوق ، ريشه دوم میانگین مربعات

ت:فرضیات آماری به شرح زير تدوين گرديده اس اصليبرای آزمون فرضیه ،

0Hيا مساوی های عصبي کوچكتر از، ي حاصل از مدل شبكهخطای پیش بین

ريشه دوم يا به عبارتي ديگراست.ARIMA خطای پیش بیني حاصل از مدل


199

های عصبي کوچكتر يا میانگین مربعات خطای حاصل از مدل پیش بیني شبكه

است. ARIMAمساوی ريشه دوم میانگین مربعات خطای حاصل زا مدل

ARRMSE <= ANNRMSE : 0H 1Hیني:خطای پیش بیني حاصل از مدل شبكه های عصبي بزرگتر از خطای پیش ب

است.ARIMAحاصل از مدل

AR> RMSE ANNRMSE : 1H

0Hخطای پیش بیني حاصل از مدل شبكه های عصبي کوچكتر از ، يا مساوی:

خطای پیش بیني حاصل از مدل رگرسیون چند متغیره است.

R<= RMSE ANNRMSE: 0H

1Hینيبیني حاصل از مدل شبكه های عصبي بزرگتر از خطای پیش ب ش:خطای پی

حاصل از مدل رگرسیون چند متغیره است.

R> RMSE ANNRMSE : 1H

از ران واز نظر مكاني محدود به سازمان بورس اوراق بهادار تهاين پژوهش

همچنین و مي باشد 30/06/86الي 01/01/84 نظر زماني در برگیرنده دوره زماني

یف طح ضعبررسي کارائي اطالعاتي بازار سرمايه ايران در س ،آن قلمرو موضوعي

باشد. مي

های شبكه از استفاده با را بهادار اين پژوهش در پي آن است که شاخص اوراق

ن بدي باشد، عصبي پیش بیني کند از لحاظ روش انجام از نوع تحلیل همبستگي مي

(TEPIX) بورس های مرتبط به موضوع که اعداد شاخص کل ابتدا دادهروش که

الي 1/1/1384از تاريخ سايت شرکت بورس اوراق بهادار تهرانباشند از مي

عدد بوده 966تعداد کل ارقام شاخص برای اين دوره گرديد.تهیه 30/6/1387

دسترس بودن و اطر دراست. علت استفاده از اين دوره زماني در وهله اول به خ


200

باشد که ها به اندازه کافي زياد مي باشد و همچنین مقدار داده ها مي بودن داده جديد

.بتوان با آنها هم شبكه عصبي را آموزش داد و هم آزمايش نمود

شدندنرمالیزه و مقیاس بندی (،-1+و1در فاصله ) سپس داده های تحقیق

ی صورت مي گیرد که میانگین سری زماني مقیاس بندی داده ها معموالً به نحو

(. برای اين منظور 2003، 1صفر و انحراف معیار برابر يک گردد)جانوس کويشیوس

(.1994، 2از فرمول زير استفاده گرديد )کلیماساسكاس

OffsetScale uus Χ* که در آن:

sΧ مقدار داده در مقیاس جديد :

uΧ: مقدار داده خام

)-/()( minmaxminmax RRTTScale

minmin * RScaleTOffset

maxTماکزيمم هدف :( )1max =T

minTمینیمم هدف : 1min T

maxRماکزيمم داده های خام :

minRمینیمم داده های خام :

قاط اخالل ند،سپس قرار گرفته ان ]-1و 1[ترتیب داده ها کالً در دامنه بدين

دل از مجموعه داده ها حذف شدند و الگوسازی هم برای شبكه و هم برای م

ر خص ددر الگوی اول مقدار شارگرسیون چند متغیره در سه الگو انجام گرفت.

و t ،t-5 ،t-10ای ( با استفاده از مقدار شاخص در زمانهt+5پنجمین روز آينده )

t-15 :پیش بیني مي شود. بعبارت ديگر

1- Januskevicius 2- Klimasauskas


201

),,,( 151055 ttttt xxxtfxy

آن قبل در الگوی دوم مقدار شاخص برای روز بعد با استفاده از سری پنج روز

پیش بیني مي گردد:

),,,,( 43211 tttttt xxxxtfxy بل آن قروز 10و در الگوی سوم مقدار شاخص در روز بعد با استفاده از سری

پیش بیني مي گردد:

),....,,,( 9211 ttttt xxxtfxy == +

ی ه هااز سه روش شبك را فرايند پیش بیني که با توجه به فرضیات تحقیق

در روش .مي دهدو روش رگرسیون چند متغیره انجام ARIMA عصبي و روش

افراز و در سه مدل رگرسیون از نرمMatlab2007 شبكه های عصبي از نرم افزار

spss12 اعداد و ارقام عالوه بر شد هر بارپیش بیني انجامبعد از اينكه اده شداستف

یه فرض . برای آزمونگرديدپیش بیني شده خطای پیش بیني نیز محاسبه و ارائه

میانگین دوم ريشهمتغیر تصادفي، .از آزمون مقايسه میانگین استفاده شدنیز تحقیق

حاسبه مي شودمي باشد که از فرمول زير م (RMSEمربعات خطا )

n

i i

i

y y

RMSEn

1

مقادير مشاهده شده ، بیني شده تعداد ارقام پیش nدر فرمول فوق

باشد. فرايند پیش بیني از طريق مدل شبكه بیني شده ميعدد پیش iyو شاخص

ز اعضوی 30لذا با يک نمونه بار تكرار گرديد 10برای هر شبكه عصبي

حاصل ازهر يک RMSE، درمقابل يک خطای RMSEمتغیرهای تصادفي

رابر مواجه هستیم بنابراين درجه آزادی ب R3و R2, R1و ARIMAازمدلهای

استفاده شد. وابسته استیودنت tاست برای آزمون فرضیه از توزيع 29


202

ایهاده قبل از آموزش شبكه عصبي برای هر يک از ساختارهای فوق، ابتدا د

های رايهآمتناسب با الگوهای ورودی هر ساختار، به صورت تحقیق مالیزه شدهنر

نرم Tool Boxخروجي تبديل شد. اين عمل از طريق کد نويسي در -ورودی

انجام گرديد. MAATLABافزار

داده به سه یها به صورت رکوردهای فوق، کل رکودهابعد از تبديل داده

درصد کل 70يا يادگیری شبكه شامل 1ش؛ مجموعه آموزمي شوندقسمت تقسیم

ياتست 3 آزمون مجموعه و رکوردها درصدکل 18شامل 2ارزيابي مجموعه رکوردها،

درصد کل رکوردها مي باشند. 12شبكه که شامل

فرايند يادگیری شبكه ابتدا رکوردهای مربوط به يادگیری )به عنوان نمونه در

( يک خروجي مطلوب مي باشد ورودی و 4ورد شامل ک، هر رANN1در ساختار

به شبكه وارد مي گردد. وزنهای اولیه اتصاالت بین نرونها توسط شبكه تنظیم مي

يادگیری و تنظیم وزنهای شبكه، های مجموعهداده 4گردند. پس از بارگذاری

اولین رکورد داده به عنوان ورودی به شبكه اعمال شده و خروجي شبكه با استفاده

گردد. ريتم يادگیری محاسبه شده و با خروجي مطلوب مقايسه مياز توابع و الگو

پس ازاعمال هر ورودی وزنهای شبكه به هنگام مي گردندو هر بار تكرار فرايند

میانگین epochنام دارد. بعد از هر epochهای آموزش يک فوق برای کل داده

در صورتي شود. هدف مقايسه مي MSEمحاسبه شده و با 5( MSEمربعات خطا )

گردد.ديگر شروع مي epochکه خطا بزرگتر از خطای هدف باشد دوباره يک

همانطور که مالحظه مي گردد در اينجا شرط توقف يادگیری، رسیدن به

10000شدن زمان يادگیری عدد باشد. برای جلوگیری از طوالنيخطای هدف مي

1- Traning Set 2- Evaluation Set 3- Test Set 4- Loading 5 Mean Square Error


203

یری نیز تعیین جهت توقف مرحله يادگ epochبه عنوان شرط حداکثر تكرار

گرديد.

ث به شبكه عصبي و داده ها که باع آموزش بیش از حدجهت جلوگیری از

بیني ارايي شبكه در پیشولي موجب کاهش ک کاهش خطا در مجموعه آموزش

خطای های ارزيابي جهت کنترلاز مجموعه داده خواهد گرديد،دادههای آزمون

بر روی ، کارايي شبكه epochر . به اين ترتیب بعد ازهمي شود شبكه استفاده

مجموعه داده ارزيابي توسط شبكه بررسي مي گردد. در صورتي که خطای

يابد. در يمه مهای ارزيابي نیز رو به کاهش باشد. فرايند يادگیری ادامجموعه داده

های آزمون غیر اين صورت يادگیری شبكه متوقف گرديده و مجموعه داده

بیني مي گردد.پیش

خالصه اطالعات استخراج شده در مورد پیش بینی های شبکه عصبی -1 جدول

های عصبي از سه الگوی ورودی که پیشتر نیز همانند مدل شبكه مدلهادر اين

ها جهت ذکر گرديد؛ برای تخمین پارامترهای مدل استفاده شد. تعداد ورودی

های ها )برابر با دادهدرصد کل داده 70تخمین پارامترهای معادله رگرسیون برابر با


204

گردد. در اين قسمت برای های عصبي( تعیین مييادگیری در مدل شبكه مجموعه

ايماستفاده نموده SPPS12افزار سازی و بدست آوردن پارامترهای مدل از نرم مدل

هم های عصبي ، مدل رگرسیون برای هر يک از الگوهای ورودی در مدل شبكه و

را نشان ARIMAخالصه اطالعات مربوط به مدل 2 ديد. جدولايجاد گر

برابر صفر است تقريباً( probداری مدل ) سطح معنيدهد و از آنجا که مقدار مي

4و 3همچنین جداول دار مي باشد. برای پیش بیني شاخص بورس معني ARمدل

ائه مي دهند. در را ار R3و R1 ،R2نیز به ترتیب مشخصات مدلهای رگرسیون

تقريبا برابر صفر است و لذا هر سه مدل sigاينجا نیز مشاهده مي شود که مقدار

مذکور معنادار هستند.

ARخالصه اطالعات ارائه شده مدل -2جدول

R1خالصه اطالعات ارائه شده مدل -3جدول


205



يقز طرپیش بیني ا مدل مناسبي برای هر شبكه عصبي انتخاب شدبعدازاينكه

وش ردرسه ن مربعات خطایريشه دوم میانگ گرديد،انجام مدلهای طراحي شده

ائه محاسبه شده هريک از مدلها ار RMSE 5بكار رفته بدست آمد. در جدول

شده است. عیارهای ارزیابی کلیه مدلهام-5جدول

1ANN 2ANN 3ANN 1R 2R 3R AR

RMSE 21 14 16 64 22 22 23


206

زمون، آاستفاده شد. در اين tها، از آماره آزمون جهت آزمون اين فرضیه

ARIMAمدلهای RMSE های عصبي مصنوعي با میانگین شبكه RMSE میانگین

ت صور د خالصه نتايج آزمون بهو رگرسیون بصورت جداگانه با هم مقايسه شدن

ارائه گرديد. 6جدول متغیرهای آماری مربوط به آزمون فرضیات تحقیق -6جدول

نتیجه tآمار مقدار بحرانی RMSE مدل

AR 23 2.462 -1.329 قبول

R1 64 2.462 -11.144 قبول

R2 22 2.462 -0.863 قبول

R3 22 2.462 -0.908 قبول

99طمینان %امحاسبه شده و مقدار بحراني آزمون در سطح t مقاديربا توجه به

دلهای م ودکه بنابر اين مي توان استنباط نم .گرفت قرار مورد تايید تحقیقفرضیه

ل خص کشبكه ای عصبي مورد استفاده در اين تحقیق پیش بیني بهتری را از شا

ائه ار را و رگرسیون ARIMA بورس اوراق بهادار تهران نسبت به مدلهای خطي

خواهد داد.

های عصبي در هر سه ساختار شبكه دهد که روش شبكه نتايج تحقیق نشان مي

آن به RMSEاند و خطای ارائه کرده را های خطي پیش بیني بهتری نسبت به روش

های خطي مذکور است. با نگاهي روش RMSEمیزان قابل توجهي کمتر از

RMSE=14 دارا بودن با، ANN2عصبي مي بینیم که شبكهباال دوباره به جدول

عملكرد MAD=14و RMSE=22با R2و مدل رگرسیون MAD=10و

RMSEبا 1ANN،3ANN ،1R،3Rبهتری نسبت به مدلهای همتراز خود يعني

داشته اندوهمانطورکه ذکرگرديد دراين دومدل سری زماني پنج روز قبل به عنوان

يج اين تحقیق در بازار بورس اوراق ورودی اعمال شده است و لذا بر اساس نتا

بهادار تهران پیش بیني کوتاه مدت با فاصله زماني کمتر، مناسب تر از پیش بیني


207

بلند مدت با فاصله زماني طوالني تر است.نتايج تحقیق در خصوص پیش بیني

جهت تغییرات شاخص نیز حاکي از موفقیت مدلهای شبكه های عصبي نسبت به

ده شده، مي باشد.ساير مدلهای استفا

تهایپژوهش به سازمان بورس و شرکنتايج حاصل از بنابراين با توجه به

ت پیش ه جهسرمايه گذاريو ساير نهادهای مالي بازار سرمايه پیشنهاد مي گردد ک

ده ستفابیني روند آتي بازار بهتر است که از مدل شبكه های عصبي مصنوعي ا

اسايي ت شنوان برای تكمیل تحقیق حاضر جهنمايند. همچنین تحقیقات زير را مي ت

مدل مناسب تر در پیش بیني شاخص بورس پیشنهاد نمود:

نوعيکارايي مدل شبكه های عصبي مصنوعي با ساير مدلهای هوش مصمقايسه

ي از قبیل شبكه های عصبي مصنوعي فازی و الگوريتم ژنتیک در پیش بین

.شاخص بورس تهران

شبكه های عصبي مصنوعي در پیش بیني شاخص استفاده تپولژی های ديگر

.بورس

ظر ر ندبا مديريت پورتفوی سهام رایمدلهای شبكه های عصبي، ب استفاده از

.گرفتن معیارهای ريسک و بازده و هزينه معامالت


208

References Alborzi, M. (2001). Introduction to Neural Networks.

Tehran: Scientific Publication Institute, (In Persian).

Beaver, W. (1981) Financial Reporting; An Accounting

Revolution.

Bishop, M. C. (1997). Neural Networks for Pattern

Recognition. Oxford University Press.

Bollereslev, T. (1986). Generalized Autoregressive

ConditiQnal Heteroskedasticity. Journal of Ecocnometrics, 31.

Bosarge, W. E. (1993). Adaptive Processes to Explain the

Nonlinear Structure of Financial Market. Probus Publishing.

Bot Shekan, M. H. (2003). Recognition of Stock Price

Indices in Stock Exchanges and Designing a New Bindex Index

in Tehran Stock Exchange. Journal of Accounting Studies, 4, (In

Persian).

Box, J., & Jenkins, G. (1970). Time Series Analysis:

Forecasting and Control. Holden-Day, San Francisco.

Brown, K. C., & Reiilly, F. K. (2002). Investment Analysis

& Portfolio Management. Dryden Publication.

Chen, A., Leung, M. T., & Dauk, H. (2003). Application of

Neural Networks to an Emerging Financial Market; Forecast

and Trading the Taiwan Stock Index. Computer and Operation

Research, 30.

Davani, Gh. (2003). Exchange, Stock and How to Price.

Tehran: Nokhostin Publication, (In Persian).

Ekbatani, M. A. (1994). Stock Price Index. Tehran: Tehran

Securities and Exchange Organization, (In Persian).

Engle, R. F. (1982). Autoregressive Conditional

Heteroskedasticity with Estimates of the Variance of UK.

Econometrica, 50.

Fadaei Nejad, M. E. (2003). Investigating Capital Market

Performance in Tehran Stock Exchange. Phd Thesis, Tehran:

Tehran University, (In Persian).

Fama, E. F. (1970). Efficient Capital Markets: A Review of

Theory and Emiricial. Journal of Finance, 27.

Fama, E. F. (1990). foundation of Finance. New York:

Basic Books Publication.


209

Fedaye Nejad, M. E. (2004). Understanding the Dimensions

of the Financial System in the United Kingdom. Tehran:

Financial Research Magazine, 13 & 14, (In Persian).

Fu, J. (1998). A Neural Network Forecast of Economic

Growth and Recession. The Journal of Economics, 1.

Haefke, C., & Helmenstein, C. (1996). Neural Networks in

the Capital Markets: An Application to Index Forecasting.

Computational Economics, 9.

Hendriksen, E. F., & Vanbreda, M. F. (1994). Accounting

Theory. Irwin:Chicago Publication.

Heydari, Sh. (2002). Prediction of Stock Index in Tehran

Stock Exchange based on the Theory of Inaccurate Collections.

Master Thesis, Tehran: Tarbiat Modares University, (In

Persian).

Hiemstra, Y. (1996). Linear Regression versus

Backpropagation Networks to Predict Quarterly Stock Market

Excess Returns. Computational Economics, 9.

Hill, T., Marques, L., O'Connor, M., & Remus, W. (1996).

Artificial Neural Networks Models for Forecasting and Decision

Making. International Journal of Forecasting, 10.

Hooman, A. (1995). Understanding the Scientific Method in

Behavioral Sciences (Haley Research), (In Persian).

Jahangir Ordi, V. (2004). Investigating the Capital Market

Performance in Iran. Master Thesis, Tehran: Shahid Beheshti

University, (In Persian).

Januskevicius, M. (2003). Testing Stock Market Efficiency

Using Neural Networks: Case of Lithuania. Master Thesis,

Riga: Stockholm School of Economics.

Jenson, M. C. (1998). Some Anomalous Evidence

Regarding Market Efficiency. Journal of Financial Economics,

6.

Johari, H. (2005). Efficiency Evaluation of Tehran Stock

Exchange Index. Master's Thesis, Mashhad: University of

Mashhad, (In Persian).

Kohzadi, N., Boyd, M. S., Kaastra, I., Kermanshahi, B. S.,

& Scuse D. (1995). Neural Networks for Forecasting: An

Introduction. Canadian Journal of Agricultural Economics, 43.


210

Kuan, C. M., & White, H. (1994). Artificial Neural

Networks: An Economics Perspective. Econometrics Reviews,

13.

Kutsurelis, I. E. (1998). Forecasting Financial Markets

Using Neural Networks: An Analysis of Methods and Accuracy.

Master Thesis. Lin, C. S., Alikhan, H., & Huang, C. (2002). Can the Neuro

Fuzzy Model Predict Stock Indexes better than its Rivals.

University of Denver, Denver.

Modares, A. (2006). Investigating the Application of

Multivariate Time Modeling in Forecasting Operating Cash

Fows. Phd Thesis, Tehran: Allameh Tabataba'i University, (In

Persian).

Momenagh, M. B. (2000). Fundamentals of Neural

Networks (Computational Intelligence). Tehran: Amir Kabir

University of Technology, (In Persian).

Montgomery, C. D., Lynwood, A. I., & Gardiner, J. S.,

(1990). Forecasting Time Series Analysis. Mc Grow-Hill.

Moody, I., Levin, U., & Rehfoss, S. (1993). Predicting of

U.S. Index of Industrial Production. Neural Network World, 3.

Moshiri, S., & Cameron, N. (2000). Neural Networks versus

Econometric Models in Forecasting Inflation. Journal of

Forecasting, 19.

Moshiri, S., Cameron, N., & Scuse, D. (1999). Static,

Dynamic and Hybrid Neural Networks in Forecasting Inflation.

Computational Economics, 14.

Nelson, C., & Plosser, C. (1982). Trends and Random

Walks in Macroeconomics Time Series: Some Evidence and

Implications. Journal of Monetary Economics, 10.

Parker, B. B. (1985). Learning Logic: Casting the Cortex of

Human Braining in Silicon.

Perron, P. (1989). The Great Crash, the Oil Price Shock and

the Unit Root Hypothesis. Econometrica, 57.

Pitam, A. R. (2001). Prediction of Stock Prices Using Fuzzy

Neural Systems. Master Thesis, Shiraz: Shiraz University, (In

Persian).


211

Refenes, A. N., Zapranis, A., & Gavin, F. (1995).

Modelling Stock Returns in the Framework of APT:

Comparative Study with Regression Models. Neural Networks

in the Capital Markets.

Rosenblat, F. (1962). Principles of Neuro Dynamics.

Washington DC: Sputan Press.

Rosenblatt, F. (1958). The Perceptron: A Probabilistic

Model for Information Storage and Organization in the Brain.

Pshchological Review, 65.

Rumelhart, D. E., Hinton, G. E., & William, R. J. (1988).

Learning Representation by Back-Propagation Error. Nature,

323.

Stevenson, W. I., & Hojati, M. (2003). Production and

Operation Management.

Tehran Stock Exchange. (1997). Display in Tehran Stock

Exchange, Concepts and Methods, (In Persian).

Tehran Stock Exchange. (1998). A Framework for

Measuring 50 more Active Companies in the Tehran Stock

Exchange. Journal of Tehran Stock Exchange, 10, (In Persian).

Trippi, R. R., & Turban, E. (1998). Auto Learning

Approaches for Building Expert System, Copmuter and

Operations Research17.

Trippi, R. R., & Turban, E. (1996). Neural Networks in

Finance and Investing.

Tsibouris, G., & Zeidenberg, M. (1995). Testing the

Efficient Markets Hypothesis with Gradient Descent Algoritms.

Neural Networks in the Capital Markets.

Verkooijen, W. (1996). A Neural Network Approach to

Long-Run Exchange Rate Prediction. Computational

Economics, 9.

Werbos, P. J. (1974). Beyond Regression: New Tools for

Prediction and Analysis in the Behavioral Science. Phd Thesis,

Cambridge: Harvard University.

White, H. (1989). Economic Prediction Using Neural

Networks: The Case of IBM Daily Stock Returns. Proceeding of

IEEE International Conference on Neural NetworksIl.


212

Widrow, B., & Hoff, M. E. (1960). Adaptive Switching

Circuits.

William, F., Gorden, A. J., & Jeffry, B. (1999). Investments.

Sharpe Prentice Hall.

Wong, F. S. (1990). Time Series Forecasting Using

Backpropagation Neural Networks. Neurocomputing, 2.


213

Predicting Tehran Securities Stock Index By

Using Neural Networks

Mir Feiz Fallahshams (Ph.D.)*

Bita Delnavaz Asghari (M.A.)

Abstract

The size and process of the stock price indices are among the

most important factors affecting the decisions of the investors in

the financial markets. In order to predict the market, different

techniques have been used, the most common of which are

regression methods and ARIMA models. However, these models

have been unsuccessful in the practical prediction of some series.

In the present research, in order to predict the total index of the

stock, the Feed Forward Neural Network model with the law of

back propagation was used in three networks with different input

models, and the results of the model were compared to the result of

multi – variable regression models and ARIMA models.

The results indicated that the neural network method showed

considerably fewer RMSE errors than RMSE errors in other

methods, and that in Tehran stock market short – term prediction

within a shorter interval is more suitable than long – term

prediction within a longer interval.

Key Words:

Stock Index, Prediction, Neural Network, Time Series

Documents

*سمش حلاف ضیف ریم رتکد یرغصا زاونلد اتیبjpm.iaut.ac.ir/article_518498_76eab831b4c014711eba3239e6cf9769.pdf · 1388 ناتسبات – 9 هرامش