عنوان پایان‌نامه
بررسی قدرت پیش بینی انواع شبکه های عصبی مصنوعی و الگوریتم های یادگیری مختلف در پیش بینی بازده سهام دهک اول نقد شوندگی بازار سهام تهران
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58836
- تاریخ دفاع
- ۱۵ مهر ۱۳۹۱
- دانشجو
- عباس قدس
- استاد راهنما
- شاپور محمدی
- چکیده
- هدف اصلی این پایان نامه تلاش برای بررسی و توسعه روش های هوشمند سیستمی برای مدلسازی سیستم های به شدت غیرخطی و غیرقطعی است. بازده های تاریخی برای 7 سال به عنوان ورودی به سیستم وارد می شوند. در ابتدا، شبکه های عصبی پیش خور با معماری های متفاوت برای هرکدامیک از الگوریتم های یادگیری ایجاد شده و به وسیله هر کدامیک از شبکه ها، بازده برای 140 روز پایانی محدوده تحقیق پیش بینی می شود. این پروسه برای تمام 20 شرکت انجام می شود. در انتها با توجه به عملکرد الگوریتم های یادگیری متفاوت و با استفاده از آزمون مقایسه چندگانه، عملکرد این الگوریتم ها با یکدیگر مقایسه می شوند. سپس مجدداً با استفاده از بازده های تاریخی برای 7 سال به عنوان ورودی، شبکه های عصبی بازگشتی ایجاد می شوند. سپس با توجه به نتایج حاصل شده از پیش بینی شبکه عصبی مصنوعی پیش خور و شبکه عصبی مصنوعی بازگشتی، با استفاده از آزمون تی هاتلینگ به بررسی وجود تفاوت معنادار بین شبکه های عصبی پیش خور و شبکه های عصبی بازگشتی می پردازیم. پس از انجام آزمون های گفته شده در بالا می توان نتیجه گرفت که در بین الگوریتم های یادگیری متفاوت، الگوریتم TrainBR در محدوده زمانی تحقیق و شرکت های مورد آزمون، از سایر الگوریتم های یادگیری نتایج بهتری داشته است. همچنین در مورد آزمون بین انواع شبکه های عصبی، نتیجه آزمون تی هاتلینگ نشان داد، عملکرد شبکه عصبی مصنوعی پیش خور با شبکه عصبی بازگشتی با یکدیگر تفاوت دارند و شبکه عصبی بازگشتی عملکرد بهتری داشته است.
- Abstract
- Main purpose of this studyis surveying and Developing systematic intelligence approaches for modeling non-linear and Non-deterministic polynomial-time hard (Np-hard) Optimization problems Seven years historical returns were used as input to our model. Firstly we compare feedforward neural network with different architectures and learning algorithms for predicting final 140 days returns. Then we compare our result on the feed forward neural networks with recruit networks by using T Hotelling’s test. At the end we found out in the period and ruturns which has been used in this research the trainBR has the best results between learning algorithms and recruit networks outperform feedforward networks.
