عنوان پایان‌نامه
مقایسه عملکرد پرتقوی های مبتنی بر پیش بینی تغییر جهت و پیش بینی قیمت سهام با استفاده از شبکه عصبی "
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76835;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76835
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- مصطفی هادی دخت
- استاد راهنما
- سعید باجلان
- چکیده
- در این تحقیق سعی بر آن بود تا با تشکیل شبکه عصبی هایی عملکرد رویکردهای پیش بینی قیمت و پیش بینی تغییر جهت قیمت با یکدیگر مقایسه گردد و به این سوال سرمایه گذاران که "از چه روشی برای پیش بینی آینده استفاده کنیم" پاسخ علمی داده شود. در این راستا با اشاره به پژوهش های انجام شده در این زمینه و متغیرهای ورودی شبکه عصبی، مزایا و معایب آنها مشخص شد. سپس با استناد از پژوهش آقای Oliveira متغیرهای ورودی شبکه در سه زمره تکنیکال، بنیادی و اقتصاد کلان معرفی شد. در ادامه به بررسی وقفه های متغیرهای ورودی و همچنین تعداد نرون های لایه مخفی پرداخته شد تا بدین وسیله شبکه بهینه که عملکرد بهتری در پیش بینی را دارا می باشد شناسایی شود. بعد از دستیابی به شبکه بهینه، عملکرد دو مدل پیش بینی تغییر جهت که یکی با در نظر گرفتن آستانه به منظور تعریف تغییر جهت و دیگری بدون در نظر گرفتن آستانه بود مورد مقایسه قرار گرفت. پس از شناسایی روش مناسب برای پیش بینی تغییر جهت، پرتفوی هایی بر مبنای رویکرد پیش بینی قیمت و پیش بینی تغییر جهت تشکیل شد. سپس با مقایسه عملکرد این دو پرتفوی این نتیجه بدست آمد که رویکرد پیش بینی تغییر جهت از عملکرد بهتری برخرودار می باشد.
- Abstract
- This research has sought to compare the performance of price prediction approach with that of direction change of price predictions through forming a number of neural networks. It has also sought to academically address the investors’ question of “which method to use in order to predict the future? In this regard, by looking at previous studies in this area and examining input variables of neural network, benefits and drawbacks of these input variables were determined. Drawing on Mr. Oliviera’s research, input variables of network were introduced in 3 categories of technical, fundamental, and macro economy. This study continued by discussing lag of input variables as well as the number of neurons of hidden layer with the aim of identifying an optimum network performing a better performance in predicting. Subsequent to achieving an optimum network, performance of two models of predicting direction change were compared; one with considering threshold to define the direction change and one without considering threshold. After determining an appropriate method for predicting direction change, portfolios were formed based on price prediction and direction change prediction approaches. The conclusion archived as a result of comparing these portfolios was that direction change prediction approach performs a better performance.
