نمودار مقایسه قیمت واقعی و قیمت پیشبینیشده
نتایج حاصلهی شبکه برای یکی از شرکتهای نمونه از ابتدای دوره یعنی ۱/۱/۸۷ تا ۲۹/۱۲/۹۳ برآورد شده است؛ که نتیجه حاصل از این پیشبینی یک شرکت در مقایسه باقیمت واقعی برای تست به شکل نمودار زیر به دست آمد:
نمودار ۳-۴٫ پیش بینی قیمت واقعی و پیش بینی شده
۴-۵-۲٫ نمودار ضریب همبستگی
نموداری که مشاهده میکنیم نمودار ضریب همبستگی بین قیمت پیشبینیشده باقیمت واقعی است که بر روی میله افقی مقدار پیشبینیشده و بر میله عمودی مقدار واقعی را نشان میدهد؛ که حاکی از آن است با افزایش قیمت واقعی نسبت به میانگین در پیشبینی، مقدار نسبت به میانگین افزایشیافته است.
نمودار ۴-۳٫ ضریب همبستگی شبکه عصبی
۴-۶٫ جمعبندی
در این فصل با توجه به ادبیات موضوع و متدولوژی تحقیق که به ترتیب در فصل دو و سه بیان شد، اقدام به حل مسئله پیش بینی قیمت سهام نمودیم. بدین منظور، از داده های واقعی سازمان بورس اوراق بهادار تهران، دادهای اقتصادی و سایر دادههای تأثیرگذار برای ساخت مدلهایی استفاده نمودیم تا قیمت سهام را برای پنج روز آینده پیش بینی نماییم. با بهره گرفتن از قیمت پیشبینیشده برای ۱۰ شرکت بورس اوراق بهادار، با بهره گرفتن از شبکه عصبی با مدلهای مختلف قیمت سهام را حل نمودیم و با اطلاعات ترکیبی مدلهای جدیدی را طراحی نمودیم. با توجه به ادبیات موضوع و کاربرد گسترده مدل شبکه عصبی مبتنی بر کلونی زنبورعسل در حل مسئله، برای حل مدلهای با بهره گرفتن از اطلاعات بیشتر با شبکه عصبی خطای بیشتری را داشتند و برای حل این موضوع از الگوریتم کلونی زنبورعسل استفاده نمودیم. ازآنجاکه این الگوریتم، دارای پارامترهای مختلفی برای اجرا می شود چندین حالت مختلف آن را اجرا نمودیم تا بهترین تنظیمات الگوریتم برای حل این مسئله به دست آید. در فصل بعد، به نتایج این تحقیق و همچنین پیشنهادها و محدودیتهای آن خواهیم پرداخت.
فصل پنجم
نتایج و پیشنهادات
مقدمه
افزایش میزان سود و کاهش ریسک سرمایهگذاری در بورس همیشه مهمترین دغدغه سرمایهگذاران بوده است و آنها همواره به دنبال راهی هستند که بهترین پیشبینی را برای خرید یا فروش سهام داشته باشند بهگونهای که دارای بیشترین بازده و کمترین ریسک سرمایهگذاری باشد. تحقیقات زیادی در این رابطه پیشبینی قیمت سهام صورت گرفتهشده است و مدل شبکه عصبی بهعنوان یکی از اصلیترین کارهای این حوزه پیشبینی شناخته می شود. علیرغم اهمیت این مدل چندین پژوهش عنوان کرده اند که با توجه به ماهیت بازارهای مالی کنونی، شبکه عصبی بهتنهایی نمیتواند بهترین گزینه برای پیشبینی قیمت سهام باشد و بهتر است از الگوریتمهای دیگر برای بهبود پیشبینی استفاده نمایم. از سوی دیگر ما معتقدیم که یک برنامه سرمایهگذاری مانند پیشبینی قیمت سهام نهتنها باید ماحصل گذشته سهام را در نظر داشته باشد بلکه بایستی پتانسیل آتی سهام را نیز مدنظر قرار دهد، که این امر اهمیت پیشبینی قیمت سهام برای سرمایهگذاران را آشکار میسازد.
در این تحقیق به ارائه مدلی پرداختیم که در آن پتانسیل آتی سهام، توسط شبکه پیش بینی عصبی مصنوعی مورد توجه قرار میگیرد و بر اساس سه مدل پیش بینیهای بهدستآمده، با سه گروه ورودی انجام پذیرفت. سپس، این مدل با بهره گرفتن از الگوریتم کلونی زنبورعسل حل می شود تا با بهره گرفتن از دادههای ترکیبی ییش بینی دقیقتر قیمت سهام را بهدست آورد.
نتیجه گیری، محصول نهایی یک پژوهش علمی به شمار میرود که در آن پژوهشگر با تکیهبر آزمون فرضیه های خود، یافته ها و پیشنهادهای احتمالی خود را بیان میدارد. در این قسمت از پژوهش پس از ارائه چکیدهای کوتاه از فصلهای گذشته، خلاصهای از یافتههای پژوهش، در این فصل بر اساس نتایج حاصله در فصل چهارم، مقایسه ای بین مدلهایی که از اطلاعات پیشبینیشده توسط شبکۀ عصبی مصنوعی استفاده می کنند و مدلی که از مدل شبکه عصبی مبتنی بر کلونی زنبورعسل صورت میگیرد؛ و نتایج بهدستآمده از سؤالهای تحقیق ارائه می شود و با یافتههای مشابه سایر پژوهشگران به بحث گذارده می شود. در پایان پیشنهادهای پژوهشگر برای انجام پروژه های علمی آتی بیان خواهـد شـد. هدف کلی این پژوهش، پیشبینی قیمت سهام با بهره گرفتن از شاخصهای ترکیبی بازار به روش شبکه عصبی مصنوعی است.
۵-۱٫ خلاصه پژوهش
خلاصهی مطالب مطرحشده در فصلهای پیش به شرح زیر است: فصل اول تحقیق به بررسی کلیات پرداخت. در فصل دوم، مبانی نظری پژوهش، تعریف عملیاتی متغیرهای آن و تعدادی از پژوهشهای پیشین که مرتبط با موضوع تحقیق بودند ارائه گردید. در فصل سوم، چگونگی اندازهگیری متغیرها و روش اجرای سوالات و همچنین، نحوه استفاده از روش شبکه عصبی و مدل شبکه عصبی مبتنی بر کلونی زنبورعسل با داده های ترکیبی و در فصل چهارم نیز نتایج سؤالات مختلف با مدلهای متفاوت و تجزیهوتحلیل داده ها به کمک نرمافزار متلب بیان شد. در ادامه این فصل، یافتههای پژوهش با نتایج پژوهشهای مشابه موردبحث در فصل دوم، مقایسه شده و نتیجه گیری و همچنین پیشنهادهای تحقیق ارائه می شود.
۵-۲٫ بررسی نتایج
شبکههای عصبی میتواند از جایگاهی فراتر از فرضیات دست و پاگیر به تحلیل متغیرها و پیشبینی رفتار آتی آنها اقدام نمایند. بر این اساس میتوان ادعا کرد که این شبکهها به خصوص زمانی که امکان بهکارگیری روشهای پارامتری به دلیل غیرخطی بودن روند تغییرات وجود نداشته باشد، ابزاری سودمند در پیشبینیهای مالی بهحساب آمده و دقت بالاتری به دست میدهند. نتایج حاصل از شبکههای عصبی بهکاررفته در این پژوهش به شرح زیر است:
۵-۲-۱٫ نتیجه سؤال اول
پیشبینی قیمت سهام را با بهره گرفتن از شاخصهای ترکیبی به روش شبکه عصبی برای روز پنجم با بهره گرفتن از متغیرهای ترکیبی؛ که ورودیهای این مدل ترکیبی از متغیرهای فنی و بنیادی ست. همانطور که در جدولهای ۴-۳ و ۴-۴ مشاهده شد، در بررسی تأثیر معماری شبکه بر عملکرد شبکه در مجموعهی آموزش و کل دادهها مشخص شد که استفاده از لایههای مخفی بیشتر لزوماً منجر به بهبود عملکرد شبکه نمیشود و همچنین با افزایش تعداد گرههای لایهی مخفی نمیتوان انتظار داشت که عملکرد شبکه بهبود پیدا کند آموزش با دادههای ترکیبی: فنی و بنیادی سه لایه (ورودی، میانی و خروجی) است که ۱۶ ورودی در لایه ورودی، تابع مورداستفاده تابع سیگموئیدی جهت لایه میانی، تابع خطی به عنوان تابع لایه خروجی و الگوریتم پرسپترون به عنوان الگوریتم آموزش استفاده شد؛ که با تکرار متوسط ۱۰۰ بهعنوان بهترین مدل شبکهی عصبی برای پیشبینی قیمت سهام ده شرکت نمونه انتخاب شد. بدین ترتیب میتوان نتیجه گرفت که شبکه عصبی با دادههای ترکیبی فنی و بنیادی حد قابل قبولی را برای پیشبینی ارائه می کند. دادههای این سؤال میتواند پیشبینی مناسبتری ارائه نمایند و میتوانیم همان مدل را با اضافه کردن دادههای بنیادی جدید دوباره آموزش داد و جواب بهدستآمده دارای خطای بسیار کمتری میباشد.
۵-۲-۲٫ نتیجه سؤال دوم:
پیشبینی قیمت سهام را با بهره گرفتن از شاخصهای تکنیکال به روش شبکه عصبی برای روز پنجم؛ با توجه به جداول ۴-۶ و ۴-۷ مانند سؤال اول مشخص شد که استفاده از لایههای مخفی بیشتر لزوماً منجر به بهبود عملکرد شبکه نمیشود و همچنین با افزایش تعداد گرههای لایهی مخفی نمیتوان انتظار داشت که عملکرد شبکه بهبود پیدا کند آموزش با دادههای فنی با ۱۱ لایه پنهان در لایه میانی، ۱۲ ورودی، تابع انتقال لایه میانی سیگموئیدی و ۱ لایهی خروجی با تابع خطی، الگوریتم پرسپترون به عنوان الگوریتم آموزش با تکرار متوسط ۱۵۰ بهعنوان مدل شبکهی عصبی برای پیشبینی قیمت سهام ده شرکت شیمیایی نمونه انتخاب شد؛ که آموزش با دادههای تکنیکال بهخوبی انجام پذیرفته است. پس از اطمینان از این مدل شبکه عصبی، میتواند روند تغییر قیمت را برای هر دوره تغییر خاص موردبررسی در مدل پیشبینی کرد. بدین ترتیب میتوان نتیجه گرفت که شبکه عصبی با دادههای تکنیکال حد قابل قبولی را برای پیشبینی ارائه می کند و نتیجه بهتری نسبت به تحقیق طلوعی، حقدوست ارائه میدهد؛ و این میتواند دلیلی بر توانایی شبکه عصبی در یادگیری باشد و همچنین پویا بودن مدل، با دادههای تکنیکال را نیز به ما نشان میدهد.
۵-۲-۳٫ نتیجه سؤال سوم
تعیین عاملهای مهم در تعیین نرخ اوراق در شرکتهای شیمیایی که با واردکردن قیمت طلا، قیمت نفت، قیمت ارز و شاخص کل در شبکه عصبی به پیشبینی قیمت سهام میپردازیم. همانطور که در جدولهای ۴-۸ و ۴-۹ مشاهده شد، شبکه عصبی طراحی شده برای پیشبینی قیمت با ۲۰ ورودی در لایه ورودی، تابع مورداستفاده تابع سیگموئیدی جهت لایه میانی، تابع لایه خروجی تابع خطی و الگوریتم پرسپترون به عنوان الگوریتم آموزش استفاده شد. دادههای ورودی مدل اول به همراه عوامل اقتصادی عملکرد بهتری از شبکههای عصبی که تنها ورودی آنها دادههای تکنیکال بوده داشته است. این امر نشان میدهد که ارتباط متغیرهای اقتصادی کلان باقیمت بورس اوراق بهادار در این پژوهش یک ارتباط تعیینکننده است و قیمت بیشترین تأثیر را از مقادیر تاریخی خود میپذیرد و اضافه کردن متغیرهای اقتصاد کلان به مدل تنها تا حدی، قدرت توزیع دهندگی مدل را افزایش میدهد و نقش تعیینکنندهای ندارند. نتیجه این مدل با پژوهش (سینایی و همکاران ۱۳۸۴) مطابقت دارد.
۵-۲-۴٫ نتیجه سؤال چهارم
با بهره گرفتن از الگوریتمهای شبکه عصبی و شاخصهای ترکیبی یک روش جدید با خطای کمتر برای پیشبینی قیمت سهام طراحی کنیم. با توجه به نتایج ۴-۱۳ برای هر یک از شرکتها با در نظر گرفتن ۲۷ سناریو جدول ۴-۱۲ تعیین تعداد واحدهای پردازش اطلاعات مناسب، تعداد نرونهای پنهان را از ۵ تا ۲۵ برای هر سناریو تغییر دادیم؛ و ۵ بار جواب مورد آزمایش قرار گرفت که نتایج استفاده از کلونی زنبورعسل بهعنوان یک روش انتخاب ویژگی پوششدهنده نقش مهمی در افزایش دقت و سرعت در اجرای تکنیک پیشبینی، حذف دادههای غیر مرتبط، تعدیلوزنها و اسپایسها و افزایش قابلیت فهمپذیری ایفا نمود و همچنین در مقایسه با عملکرد روش انتخاب ویژگی فیلتر کننده آنالیز اجزای اساسی، کلونی زنبورعسل بهعنوان یک روش پوششدهنده در ترکیب با شبکه عصبی دقت پیشبینی بالاتری از خود نشان داد.
۵-۳٫ مقایسه نتایج
۵-۳-۱٫ مقایسه مدل سؤال اول و سؤال دوم
در این پژوهش میزان صحت پیشبینی شبکه عصبی با چهار مدل بررسی شد که در اینجا به بحث در مورد سؤال اول که از دو گروه اطلاعات فنی و بنیادی و در سؤال دوم از گروه اطلاعات فنی استفادهشده است، میپردازیم که میانگین نتایج اطلاعات دو سؤال برای ده شرکت شیمیایی نمونه به شرح زیر است:
مدل سؤال دوم | مدل سؤال اول | معیار دقت برازش |
۰٫۹۹۵۴ | ۰٫۹۹۶۶ | R2 |
۰٫۰۳۳۲ | ۰٫۰۲۶۷ | MAPE |