پیش بینی بازار سهام

پیش بینی بازار سهام

فرهاد رامشینی [ پدیدآور اصلی ] ، احمد نزاکتی رضازاده[ استاد راهنما ] ، حمید حسن پور[ استاد مشاور ] ، مجید عامری[ استاد مشاور ]

چکیده: امروزه یکی از مهمترین موضوعات مورد علاقه اقتصاددانان و تحلیل گران مالی، تبیین چگونگی و روند نوسانات قیمت هاست که راه های متفاوت و دیدگاه های گوناگونی را در این باره پدید آورده است. در این میان، با توجه به در دسترس نبودن اطلاعات دقیق درباره عوامل مؤثر بر نوسانات بازار سهام، پیش بینی این تغییرات به سادگی میسر نیست. تغییر درجه تأثیر متغیرها با زمان بر روی شاخص ها و یکدیگر، وجود متغیرهای سیاسی داخلی و جهانی که تأثیر مستقیم بر سیستم های اقتصادی دارد چالش اساسی در مدل سازی بازار بورس است. طراحی ماشین هایی با توانایی فراگیری و تجربه آموزی مدت ها یکی از بحث های مهم علوم تحقیق بود تا سرانجام با ظهور کامپیوتر های قدرتمند در این راه گام های مثبتی برداشته شد. در ادامه اثبات گردید که این ماشین ها توانایی بالایی جهت فراگیری داده ها دارند و می توانند پس از فراگیری داده های آموزشی، نتایج قابل قبولی را ارائه نمایند. ماشین برداری در اوایل دهه 90 معرفی شد و پس از آن به عنوان روشی نیرومند پیش بینی بازار سهام در حل مسائل طبقه بندی غیر خطی و رگرسیون مورد استفاده قرار گرفت. بر طبق نظریه محققین دلیل موفقیت این روش را می توان در قدرت بالای تعمیم دادن مسائل و توانمندی در مقابله با نویز ها و کمبود داده ها دانست. در همین راستا هدف از مبحث حاضر، معرفی روشی جدید و قدرتمند در شناسایی الگو تحت عنوان ماشین های برداری پشتیان است که از ترکیب بهینه سازی، آموزه های آماری و هسته های کرنل بهره می جوید. پس از تحقیق در شاخص های بازار بورس، تغییرات قیمت سهام شرکت سرمایه گذاری البـرز در سـال های 1387 و 1388 به عنوان متغیر وابسته و 14 متغیر اقتصادی و بازار سهام به عنوان متغیرهای مستقل تشخیص داده شدند. پس از نرمال سازی، مدل سازی به کمک ماشین های برداری پیش بینی بازار سهام صورت گرفت. عملکرد کرنل های مختلف و پارامترهای مدل نیز مورد آزمون قرار گرفتند و مدل بهینه استخراج گردید. در انتها شبکه های عصبی رگرسیون مختصر توضیح داده شده و بر روی داده ها مدل شد که نتایج حاصل از ماشین برداری خطای کمتری داشت.

#نوسانات قیمت ها #نوسانات بازار سهام #سیستم های اقتصادی #هسته های کرنل

دانلود نسخه تمام متن (رایگان)
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:

[کلیدواژه ها: اعتبار تجاری، هم‌زمانی قیمت سهام، قیمت سهام، مدل رگرسیون داده‌های ترکیبی، اطلاعات خاص شرکتی، متغیرهای کلان اقتصادی]

[کلیدواژه ها: قیمت گذاری نادرست سهام، نوسانات ویژه (ریسک غیرسیستماتیک)، مدل برگر و اوفک، مدل ایکنبری و همکاران، بازده سهام، بازار کارا]

[کلیدواژه ها: قیمت گذاری، پخش بار، مصرف کننده، انتقال، قیمت گذاری نهایی، قیمت گذاری مسیر قرارداد، قیمت گذاری مگاوات مایل مبتنی بر پخش بار، تخصیص فلو، ترانزیت]

[کلیدواژه ها: مدل فاما – فرنچ، نوسانات غیر سیستماتیک، بازده سهام، اندازه، نسبت ارزش دفتری به ارزش بازار]

[کلیدواژه ها: بازاریابی، آمیخته بازاریابی، محصول، قیمت، ترفیع، توزیع، بازار، سهم بازار، صنایع غذایی، شرکت سه نان و فرنان]

پیش بینی بازده بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی

همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد و ازاین‌رو، این عمل باعث کاهش خطا و بهبود در پیش­بینی سری زمانی آشوبی موردنظر می‌شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه‌ زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان‌کننده برتری روش پیشنهادی نسبت به سایر روش­هاست. همچنین معنا­داری اختلاف در پیش­بینی مدل­های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان‌دهنده اختلاف معنا­دار در پیش­بینی مدل­های مختلف بود.

کلیدواژه‌ها

مراجع

آرمن، سیدعزیز و علی رئوفی (1393)، ارزیابی پیش­بینی­پذیری قیمت طلا و مقایسه پیش­بینی روش­های خطی و غیرخطی، نظریه­های کاربردی اقتصاد، شماره 3، صص 24-1.

رضایی، وحید (1390)، بررسی رفتار آشوبناک در سری زمانی قیمت طلا، پایان­نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، دانشکده اقتصاد و علوم اجتماعی.

رئوفی، علی (1392)، شناسایی سیستم مولد داده­های شاخص بورس اوراق بهادار تهران، مدل‌سازی و پیش­بینی آن با استفاده از محاسبات نرم، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد و علوم اجتماعی دانشگاه شهید چمران اهواز.

زراءنژاد، منصور و علی رئوفی (1394)، ارزیابی و مقایسه عملکرد پیش‌بینی روش‌های خطی و غیرخطی برای بازده روزانه بورس اوراق بهادار تهران، دو فصلنامه اقتصاد پولی - مالی، شماره 9، صص 29- 1.

زراءنژاد، منصور، پویان کیانی، صلاح ابراهیمی و علی رئوفی (1391)، پیش­بینی قیمت نفت خام اوپک با استفاده از مدل میانگین متحرک خودرگرسیون انباشته فازی، پژوهشنامه اقتصاد انرژی ایران، شماره 5، صص 127- 107.

صادقی، حسین و مهدی ذوالفقاری (1389)، پیش­بینی کوتاه­مدت تقاضای برق کشور با استفاده از شبکه­های عصبی و تبدیل موجک، فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)، دوره 7، شماره 2، صص 56-27.

عباسی­نژاد، حسین و شاپور محمدی (1384)، تحلیل سیکل­های تجاری با استفاده از نظریه موجک­ها، مجله تحقیقات اقتصادی، شماره 75، صص 20-1.

کیانی بجستانی، آرمان، یاسر محمدیان روشن، ناصر پریز و محمدرضا اکبرزاده توتونچی (1385)، پیش­بینی سری­های زمانی آشوب‌گرا مبتنی‌بر ترکیب تبدیل موجک و شبکه­های تطبیقی عصبی - فازی، چهاردهمین کنفرانس بین­المللی مهندسی برق.

محمدی، تیمور، عاطفه تکلیف و ساحل پیش بینی بازار سهام زمانی (1396)، پیش‌بینی قیمت گاز طبیعی با استفاده از ترکیب تبدیل موجک و شبکه عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران، شماره 71، صص 26- 1.

مشیری، سعید، کامران پاکیزه، منوچهر دبیریان و ابوالفضل جعفری (1389)، بررسی رابطه میان بازدهی سهام و تورم با استفاده از تجزیه موجک در بورس اوراق بهادار تهران، فصلنامه پژوهش‌های اقتصادی ایران، شماره 42، صص74-55.

نادری، اسماعیل (1391)، تحلیل آشوب و بررسی عملکرد مدل­های خطی و غیرخطی سری زمانی در پیش­بینی شاخص بازدهی بورس تهران، پایان­نامه کارشناسی ارشد، دانشگاه تهران، دانشکده اقتصاد.

Abbasi, E., & Abouec, A. (2008). Stock price forecast by using neuro-fuzzy inference system. In Proceedings of World Academy of Science, Engineering and Technology, 36, 320-323.

Burrus, C. S., Gopinath, R. A., Guo, H., Odegard, J. E., & Selesnick, پیش بینی بازار سهام I. W. (1998). Introduction to wavelets and wavelet transforms: a primer (Vol. 1). New Jersey: Prentice hall.

Diebold, F. X., & Mariano, R. S. (2002). Comparing predictive accuracy. Journal of Business & economic statistics, 20(1), 134-144 .

Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.

Karim, S. A. A., Karim, B. A., Ismail, M. T., Hasan, M. K., & Sulaiman, J. (2011). Applications of wavelet method پیش بینی بازار سهام in stock exchange problem. Journal of Applied Sciences, 11(8), 1331-1335.

Cao, Q., Leggio, K. B., & Schniederjans, M. J. (2005). A comparison between Fama and French's model and artificial neural networks in predicting the Chinese stock market. Computers & Operations Research, 32(10), 2499-2512.

Lineesh, M. C., & John, C. J. (2010). Analysis of non-stationary time series using wavelet decomposition. Nature and Science, 8(1), 53-59.

Raoofi, A. (2014). Identifying data generator process of Tehran stock exchange, modeling and forecasting using soft computing. Master's Thesis, Faculty of Economics and social Science, Shahid Chamran University. (in Persian).

Raoofi, A., Zarranezhad, M., پیش بینی بازار سهام Bayani, O. (2015). Assessment and Comparison of linear and non- linear Methods for Forecasting Returns on Stock Market Index, International Journal of Scientific Management and Development, 3 (10), PP. 1-9.

Raoofi, A., Montazer-Hojjat, A. H., & Kiani, P. (2016). Comparison of several combined methods for forecasting Tehran stock exchange index. International Journal of Business Forecasting and Marketing Intelligence, 2(4), 315-333.

Srinivasan, K., & Fisher, D. (1995). Machine learning approaches to estimating software development effort. IEEE Transactions on Software Engineering, 21(2), 126-137.

Tan, C., & Pedersen, C. N. S. (2009). Financial time series forecasting using improved wavelet neural network. Master of Computer Science Faculty of Science. Univesity of Copenhagen. Copenhagen.

Gao, X., Xiao, F., Zhang, J., & Cao, C. (2004). Short-Term prediction of chaotic time series by wavelet networks. In Intelligent Control and Automation, WCICA 2004. Fifth World Congress on (Vol. 3, pp. 1931-1935). IEEE.

Zarranezhad, M, Kiyani, P., Ebrahimi, S., Raoofi, A. (2013). Forecasting OPEC crude oil price Using Fuzzy Autoregressive Integrated Moving Average (FARIMA) Model, Iranian Energy Economics Research, 5, 107-127. (in Persian).

Zarranezhad, M., Raoofi, A. (2015). Evaluation and comparison of forecast performance of linear and non-linear methods for daily returns of tehran stock exchange, Financial Monetary Economics, 22(9), 1-28. (in Persian).

Zarranezhad, M., Raoofi, A. and Kiani, P. (2012). Evaluation and comparison of performance of ANFIS and ARIMA in forecasting the daily gold prices, The First international conference on econometrics and methods applications. (in Persian).

پیش بینی بورس فردا 20 شهریور 1401 / آیا هدف بعدی شاخص سطح یک میلیون و 350 هزار واحدی است؟

اکوایران: شاخص سطح حمایت 200 روزه را از دست داده است و برگشت به بالای این سطح ممکن است برای شاخص بسیار سخت باشد.

شاخص بورس تهران طبق انتظارات افت کرد. مشاهده الگوی مثلث نزولی در بازار و به همراه شکست میانگین 200 روزه قیمتی شاخص و همچنین مشاهده الگوی هارمونیک در نمودار شاخص، در بازه زمانی طولانی‌تر همه نشانه‌هایی بودند که با دیدن آنها می‌شد افت روزهای اخیر را برای بازار پیش بینی کرد.. البته نباید از ابهامات بنیادی هم غافل شد چرا که بازار با دلایل بنیادی رشد و یا افت می‌کند و خود را در نمودارها و قیمت‌ها نشان می‌دهد.

به هر حال شاخص سطح حمایت 200 روزه را از دست داده است و برگشت به بالای این سطح ممکن است برای شاخص بسیار سخت باشد. در چنین شرایطی، یک خبر خوب بنیادی می‌تواند تمام متغیرها را تغییر دهد. اما چیزی که از نمودارها دیده می‌شود این است که بازار به دنبال رسیدن به هدف بعدی الگوی هامورنیک است و قصد دارد تا سطح 61 درصدی فیبوناچی یعنی حوالی یک میلیون 350 هزار واحدی افت کند و در این محدوده قیمتی تصمیم برای بازگشت و یا افت بیشتر را بگیرد.

در صورتی که بازار برای فردا یکشنبه 20 شهریور ماه مثبت باشد برای اهالی چارتیست ممکن است حکم پولبک به حمایت از دست رفته 200 روزه باشد و اینجا است که سطح حمایت از دست رفته تبدیل به مقاومت می‌شود تا ابتدایی‌ترین اصول تکنیکالی را یادآواری کند.

از سوی دیگر خط روند کانال فرضی هم خودش می‌تواند اثری جدا بر شاخص بگذارد.

نرخ بهره بین بانکی نیز به عدد 21 درصد نزدیک می‌شود و برجام فعلا بی‌نتیجه است. دلار در بازار آزاد روی عدد 30 هزار تومان در حال کنترل شدن است و دلار نیمایی هم همچنان فاصله قیمتی خود با دلار بازار آزاد را کم می‌کند. بازدهی بازار از ابتدای سال به صفر نزدیک‌تر می‌شود و مسکن از ابتدای دولت سیزدهم تا به اینجا رشد 38 درصدی را تجربه کرده است.

همه ابهامات و افت و خیزها در بازار ایجاد می‌شود تا هر روز مطمئن‌تر این کلمات را تکرار کنیم که تنها چیزی که ثابت می‌ماند، تغییرات است.

پیش‌بینی بورس فردا ۱۵ پیش بینی بازار سهام شهریور+ اخبار لحظه‌ای

برای بازار فردا یک روند ضعیف در محدوده تغییرات یک تا سه هزار واحد را پیش بینی می‌کنیم، احتمال مثبت بودن شاخص هم وزن و منفی بودن شاخص کل وجود دارد.

به گزارش خبرنگار ایمنا، بازار این روزها استخوان در زخم است، نه خوب می‌شود نه بد، نه وزنی به احیای برجام می‌دهد نه به باقی ماندن تحریم‌ها، نه دل خرید سهم‌های دلاری را دارد نه خرید سهام برجامی، نه خودرو و خساپا حرکت می‌کنند نه فولاد فملی، گاهی یک نماد در میان نقشه بازار سبز می‌شود، رشد چند درصدی می‌کند و دو روز بعد به همان قیمت قبل برمی‌گردد.

حتی در این روزها نوسانگیرها هم چندان عملکرد خوبی ندارند چه برسد به سهامداران و سرمایه گذاران. از لحاظ تکنیکال شاخص بررسی شد، بر اساس آن در بین محدوده یک میلیون ۴۲۰ تا ۴۴۰ احتمال نوسان دارد، یک خط داینامیک نیز پیش رویش است که احتمال واکنش شدید مقاومتی وجود دارد، رشد پیش بینی بازار سهام پیش بینی بازار سهام قیمت دلار و انتظارات تورمی نیز تأثیر بر بازار نداشت.

برای بازار فردا یک روند ضعیف در محدوده تغییرات یک تا سه هزار واحد را پیش بینی می‌کنیم، احتمال مثبت بودن شاخص هم وزن و منفی بودن شاخص کل وجود دارد.

پیش بینی شاخص بازار سهام به وسیله مدل مارکوف پنهان و روش خوشه بندی کا میانگین

پیش‌بینی بازار سهام یک مسئله کلاسیک میباشد که تا کنون به طور گسترده ای به وسیله ابزار‌ها و مدل های مختلف مورد تجزیه و تحلیل قرار گرفته است.تغییرات روند بازار سهام ناشی از تقابل نیرو های عرضه و تقاضا و دیگر عوامل اقتصادی است. تکنیک های اماری سنتی برای توصیف روند های فصلی و نامانایی داده های قیمت در بازار سهام ناتوان هستند. مدل مارکوف پنهان یکی از ابزار های بسیار قدرت مند در پردازش فرایند های اتفاقی و دنباله های تصادفی است، که در پهنه وسیعی از کاربرد ها نظیر پردازش گفتار، تصویر و سیگنال استفاده شده است. این مدل یک مدل اماری بوده و کار برد اصلی ان در باز شناخت گفتار می‌باشد. اما از انجا که یک مدل کلی پیش بینی بازار سهام برای فرایند های تصادفی است می‌تواند در سری های زمانی مالی نیز به کار رود.در این تحقیق ما با استفاده از الگوریتم خوشه بندی K-mean به همراه مدل مارکوف پنهان بر روی متغییر های تکنیکال درصد تغییرات روزانه قیمت و حجم معاملات به پیش‌بینی شاخص بی ای ال20)بلژیک) دریک روز اینده پرداخته ایم و در اخر دقت پیش‌بینی را با استفاده از معیار متوسط درصد خطاهای مطلق محاسبه کرده ایم که مقدار متوسط خطاهای مطلق برای پیش بینی مقدار روز اینده شاخص قیمتی بی ای ال20 در بازه زمانی 1 دسامبر تا 30 دسامبر 2015 عدد 0.03463- درصد میباشد. سری‌های زمانی مقدار شاخص و حجم معاملات آن در بازه زمانی 1/1/2012 تا 30/12/2015 نمونه پژوهش را تشکیل میدهند. از داده های 1/1/2012 تا 30/11/2015 برای پرورش پیش بینی بازار سهام مدل و از داده های 30/11/2015 تا 30/12/2015 برای تست مدل و به دست اوردن دقت پیش بینی استفاده کرده ایم.

کلیدواژه‌ها

• مدل مارکوف پنهان
• شاخص قیمتی بی ای ال 20
• مدل های تکنیکال برای پیش بیتی قیمت سهام
• الگوریتم خو بندی کا میانگین

مراجع

* Al Galib, A., Alam, M. and Rahman, R.M. (2014) ‘Prediction of stock price based on hidden Markov model and nearest neighbour algorithm’, Int. J. Information and Decision Sciences, Vol. 6, No. 3, pp.262–292.

* Elaine Rich and Kevin Knight, (1991)“Artificial Intelligence”, 2nd edition, McGraw-Hill, Inc., 1991.

* JAROSLAV LAJOS,(2015)” COMPUTER MODELING USING HIDDEN MARKOV MODEL APPROACH APPLIED TO THE FINANCIAL MARKETS” Doctoraldissertation, Oklahoma State University,United states of America

* Md. Rafiul Hassan and Baikunth Nath,(2005)," stock market forecasting using hidden markov model: a new approach ", Proceedings of the 2005 5th International Conference on Intelligent Systems Design and Applications (ISDA’05)

* Rabiner R L, (1989), A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of the IEEE, Vol. 77(2), pp 257-286.

* Oliver C. Ibe,(2009) "Markov Processes for Stochastic Modeling", Elsevier Academic Press Inc, 2009.

* Rijeka ,Przemyslaw Dymarski,(2011)," Hidden Markov Models, Theory and Applications" Publisher: InTech, Chapters published April 19, 2011 under CC BY-NC-SA 3.0 license

* Tofallis (2015). "A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation", Journal of the Operational Research Society, 66(8),1352-1362.

* Zhang, Y. (2004)," Prediction of Financial Time Series with Hidden Markov Models", Doctoraldissertation, Simon Fraser University, British Columbia, Canada