عنوان پایان‌نامه

کاربرد تئوری مجموعه های راف برای پیش بینی قیمت سهام در بورس اوراق بهادار تهران



    دانشجو در تاریخ ۱۶ شهریور ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "کاربرد تئوری مجموعه های راف برای پیش بینی قیمت سهام در بورس اوراق بهادار تهران" را دفاع نموده است.


    رشته تحصیلی
    مدیریت مالی
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس قم شماره ثبت: 002497;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76654;کتابخانه پردیس قم شماره ثبت: 002497;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76654
    تاریخ دفاع
    ۱۶ شهریور ۱۳۹۵
    دانشجو
    مجید شهرامی بابکان
    استاد راهنما
    علیرضا سارنج
    چکیده
    لینک فایل چکیده
    بازارهای سرمایه به مثابه پیشانی اقتصاد هر کشوری هستند که شاخص‌های آن نشان دهنده وضعیت اقتصادی آن کشور می‌باشند. جذب سرمایه‌های مردم و مدیریت آنها به منظور کسب سود قابل قبول، یک توفیق اجتماعی-اقتصادی هم برای مردم و هم برای برنامه‌ریزان اقتصادی است. بنابراین، استفاده از روش‌های قدرتمند و قابل اعتماد تحلیلی منجر به صیانت از سرمایه‌های افراد شده که این امر به نوبه خود می‌تواند باعث افزایش قدرت اقتصادی جامعه شود. در بازار سهام، مقوله پیش‌بینی قیمت آتی سهام بسیار مهم بوده و هم می‌تواند نتایج رضایت‌بخش و هم نتایج زیانباری در پی داشته باشد. تحلیل تکنیکال یک روش مفید برای پیش‌بینی قیمت در بازار سهام می‌باشد. تحلیل‌گران حرفه ای سهام و مدیران صندوق‌ها معمولا بر اساس شاخص‌های تکنیکال، قضاوت‌های ذهنی ارائه می‌دهند که به دلیل وجود شاخص‌های تکنیکال پیچیده، این قضاوت‌ها برای استفاده افراد غیر حرفه ای، کاربردی نمی‌باشند. بعلاوه، روش‌های پیش‌بینی گذشته عمدتا دارای دو ایراد اساسی می‌باشند: (1) در بسیاری از مدل‌های سری زمانی، پذیرش برخی فرضیات آماری درباره متغیرها ضروری است؛ و (2) قوانین استخراج شده از برخی الگوریتم‌های هوش مصنوعی نظیر شبکه‌های عصبی به آسانی قابل فهم نمی‌باشند. به منظور غلبه بر این نواقص، در این پایان‌نامه روشی مبتنی بر تئوری مجموعه‌های راف و با استفاده از شاخص‌های تکنیکال جهت پیش‌بینی قیمت سهام ارائه شده است. تئوری مجموعه‌های راف دارای مزایای متعددی بوده که مهمترین مزیت آن در تحلیل داده‌ها این است که به هیچگونه اطلاعات اضافی اولیه در مورد داده‌ها نیاز ندارد. در مدل پیشنهادی، تعدادی از شاخص‌های تکنیکال برای داده‌های مربوط به بانک صادرات ایران در طول یک سال محاسبه و به عنوان مشخصه‌های شرطی در جدول تصمیم مورد استفاده قرار گرفتند. از طرف دیگر، نوسان قیمت سهام در روز بعد به عنوان مشخصه تصمیم انتخاب شد. لازم به ذکر است که با استفاده از آنالیز ماتریس همبستگی، شاخص‌های با بیشترین همبستگی با مشخصه تصمیم انتخاب شدند. سپس با استفاده از تئوری مجموعه‌های راف و ترکیب روش‌های مختلف گسسته‌سازی داده‌ها و تولید بی زائده، بر اساس داده‌های یادگیری قوانین پیش‌بینی استخراج و قدرت پیش‌بینی روش‌های مختلف بر اساس داده‌های کنترل محاسبه شد. بررسی قدرت پیش‌بینی این روش و مقایسه بازده حاصل از استفاده از آن و روش خرید و نگهداری، مزیت استفاده از مجموعه‌های راف را آشکار می‌نماید. همچنین استفاده از داده‌های سال‌های مختلف با روند قیمتی متفاوت به عنوان ورودی مدل و دستیابی به نتایج رضایت‌بخش، می‌تواند دلیلی امیدوارکننده برای استفاده از این روش و توسعه آن در پیش‌بینی قیمت سهام باشد.
    Abstract
    Capital Markets are as forehead of any country’s economy so that It’s indicators reflect the economic condition of the country. Investment management in order to achieve acceptable profitability is a socio-economic success for the people and for economic planners. Therefore, the use of powerful and reliable analytical methods lead to protect the assets of individuals, which in turn can increase the economic power of society. In the stock market, stock price forecasting is very important and can lead to either satisfactory results or disastrous results. Technical analysis is a useful method to predict the market price of shares. Professional stock analysts and fund managers usually make subjective judgments based on objective technical indicators, but it is difficult for non-professionals to apply this forecasting technique because there are too many complex technical indicators to be considered. In addition, the previous prediction methods mainly suffer from two basic drawbacks: (1) for many time-series models, it is necessary to accept some statistical assumptions about variables; and (2) the extracted rules of some artificial intelligence algorithms such as neural network are not easily realized. In order to overcome these drawbacks, this paper proposes a method based on rough set theory and using technical indicators to predict the stock price. Rough set theory has several advantages, the most important advantage is that no additional information is needed about the initial data.On the other hand, the fluctuation of the stock price on the next day was selected as decision attribute. It should be noted that by using analysis of the correlation matrix, the variables with the highest correlation with decision attribute were selected as conditional attributes. Using rough set theory and different discretization and reduction methods, some rules extracted based on learning data and validity of merhods were computed based on control data. Comparing the return of this method and buy and hold method reveals the superiority of proposed model. Also, using data from different years with different price trends as inputs to the model and achieving satisfactory results, is a promising reason for using and developing this method in stock price forecasting. Key words: stock price forecasting, rough set theory, conditional and decision attributes, data discretization, rules extraction