عنوان پایان‌نامه
پیش بینی کوتاه مدت قیمت سهام با استفاده از شبکه های عصبی : رگولار کردن بیزی توقف زود هنگام
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67160
- تاریخ دفاع
- ۲۶ شهریور ۱۳۹۳
- دانشجو
- مرضیه هنرکارشفیع
- استاد راهنما
- شاپور محمدی
- چکیده
- پیشبینی وضعیت آینده همواره یکی از مباحث مورد توجه در حوز? مالی بوده است. قیمت سهام به عنوان متغیری اساسی در بازار سرمایه، متخصصان بازار مالی را بر آن داشته است تا با استفاده از روشهای مختلف، به پیشبینی آن بپردازند. یکی از روشهای پیشبینی قیمت سهام که در چند ده? اخیر به طور گسترده مورد استفاده قرار گرفته است، شبکههای عصبی مصنوعی میباشد. انتخاب متغیرهای مناسب و همچنین قابلیت تعمیمپذیری مورد قبول شبکه از موارد اصلی در به کارگیری این شبکهها به شمار میرود. در این پژوهش، برای افزایش تعمیمپذیری شبکه و افزایش قابلیت اتکای نتایج بدست آمده، از دو معیار توقف یادگیری رگولار کردن بیزی و توقف زودهنگام استفاده شده است. سپس عملکرد شبکههای عصبی با استفاده از این معیارها، با عملکرد شبکه بدون استفاده از معیارهای توقف، مورد بررسی و مقایسه قرار گرفته است. نتایج حاصل از ارزیابیها نشان میدهد که استفاده از معیارهای توقف موجب بهبود عملکرد شبکه عصبی شده و قابلیت تعمیمپذیری آن را به طور معنیداری افزایش میدهد.
- Abstract
- Forecasting the future is one of the noteworthy aspects of the financial field. Stock price as a fundamental variable in the capital market has prompted finantial experts to find different methods for its prediction. Artificial neural networks have been widely used in the last decades as a means of predicting stock price. Selecting appropriate input variables and having accepted generalization ability of the network are important factors in applying neural networks. In this thesis, two kinds of stopping criteria; i.e. bayesian regularization and early stopping are utilized to improve the generalization of neural networks. Then the performance of neural networks using these criteria is compared to the performance of the networks without stopping criteria. The results show that stopping criteria can improve the performance of the neural network and increase its generalization ability significantly
