عنوان پایان‌نامه
استفاده از روشهای هوشمند به منظور پیش بینی تغییرات قیمت سهام در بازار سهام تهران
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2999;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76486
- تاریخ دفاع
- ۳۱ مرداد ۱۳۹۵
- دانشجو
- مجتبی عظیمی فر
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- سری زمانی قیمت سهام رفتاری غیرخطی، نویزی و نا‌ایستا دارد که متاثر از عوامل مختلف سیاسی، اجتماعی و اقتصادی است. نحوهی اثر این عوامل بر روی عملکرد آیندهی بازار سهام روشن نیست و رفتار دینامیکی آن را نیز نمی‌توان به آسانی شناخت. این موضوعات پیش بینی قیمت سهام را تبدیل به مسئله ای دشوار کرده است. در این تحقیق تلاشی صورت گرفته است که از روشهای هوشمند به منظور پیش بینی روند آتی سری زمانی قیمت سهام استفاده شود. بدین منظور ابتدا با اشاره به فرضیه ی گام تصادفی و بازار کارا در بازار سرمایه، مسئله ی پیش‌بینی‌پذیری سری زمانی قیمت سهام مورد بررسی قرار گرفته و سپس ضعفهای مدل‌های موجود برای پیش بینی مورد بررسی قرار گرفته‌اند. در ادامه، یک سیستم هوشمند مبادله ی سهام طراحی شده است که تمرکز خود را بر روی انتخاب نمایش های سطح بالای مناسب برای ورودی‌ها و خروجی‌های سیستم هوشمند می‌گذارد تا بتواند اثر نویز و نوسانات کوتاه مدت را بر روی مدل هوشمند کاهش داده و آنرا برای پیش بینی روندهای میان مدت و بلندمدت آموزش دهد. روش بردارهای پشتیبان برای رگرسیون (SVR) با توجه به قابلیت تعمیم دهی و تحمل خطای بالای آن به منظور مدل هوشمند محاسباتی انتخاب شده است. عملکرد سیستم در پیشبینی روند بازار سرمایه با انجام آزمون بر روی تعدادی از سهام های مشهور در بازار سهام تهران بر مبنای معیار بازده سرمایه گذاری (ROR) و تست های آماری مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان می‌دهد که سیستم پیشنهادی میانگین بازدهی سرمایه را بین 20 تا 100 درصد نسبت به بهترین مدل رقیب افزایش می‌دهد. در نهایت نقش بخش‌های مختلف سیستم طراحی شده و اثر آنها در نتیجه ی کلی نیز مورد ارزیابی قرار گرفته است. واژه‌های کلیدی: بازار سهام، سیستم هوشمند مبادله ی سهام ، روند سهام، نمایش سطح بالا، پیش بینی پذیری، بردارهای پشتیبان برای رگرسیون
- Abstract
- Stock market is a nonlinear, noisy and non-stationary dynamic system, which is affected by many factors like political and social issues and economic conditions. The relationship of the stock price with many of these factors as well as the dynamical behavior of the price is not clear. This makes the stock market forecasting a challenging task. Intelligent stock trading systems use soft computing techniques in order to make trading decisions in the stock market. However, the usual fluctuations of the stock price make it difficult for the trading system to make trading decisions based on the stock trend. In this study, the main focus is on the design of a framework which would be truly capable of trend prediction in the stock market. In order to enable the intelligent trading system for trend prediction, this paper suggests using high level representations for the inputs and outputs of the trading system. Perceptually important points are utilized as a high level representation for the stock price time series to decompose the price into several segments of uptrends and downtrends and define a trading signal which is an indicator of the current trend. Digital low pass filters are used on the technical indicators to smooth out the irregular fluctuations of these inputs. A support vector regression model is trained on this high level data to make trading decisions. The performance of the proposed trading system is compared with three other trading systems on five of the top performing stocks in Tehran Stock Exchange. The results indicate an improvement between 20 to 100 percent in the average rate of return compared to the best competing model. Keywords: Stock price prediction, Intelligent trading system, High level representation, Perceptually important points, Support vector regression
