عنوان پایان‌نامه
پیش بینی شاخص سهام با استفاده از شبکه عصبی و تبدیل موجک
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 63484
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۲
- دانشجو
- حنظله فندرسکی
- استاد راهنما
- رضا راعی
- چکیده
- شاخص بازار سرمایه به عنوان دماسنج اقتصادی کشور می‌باشد. از این رو پیش‌بینی این متغییر جهت اخذ دید کلی از وضعیت اقتصادی و اخذ استراتژی‌های سرمایه‌گذاری، یکی از مسائل مهم به شمار می‌رود. از جمله روش‌های پیش‌بینی پرکاربرد در سری‌های زمانی مالی، شبکه عصبی می‌باشد که با توجه به جامعیت این روش و عدم وجود برخی از پیش‌فرض‌ها در خصوص داده‌ها، گسترش زیادی نسبت به روش‌های آماری یافته است. اما وجود نویز در سری‌های زمانی به خصوص در سری‌های زمانی مالی و اقتصادی باعث کاهش دقت پیش‌بینی شبکه عصبی می‌گردد. معمولاً داده‌های مالی به دلائل مختلفی از جمله شوک‌های سیاسی و اقتصادی دارای نویز می‌باشند که این موضوع سبب کاهش دقت پیش‌بینی شبکه عصبی در پیش‌بینی داده‌های مالی می‌گردد. این موضوع نیاز به استفاده یکی از روش‌های نوفه‌زدایی به عنوان پیش‌پردازش در پیش‌بینی داده‌های مالی با استفاده از شبکه عصبی را محسوس می‌نماید. یکی از روش‌های نوفه‌زدایی در سری‌های زمانی، تبدیل موجک می‌باشد. تبدیل موجک توسعه یافته تبدیل فوریه می‌باشد. این تحقیق به مقایسه بین دقت پیش‌بینی شاخص کل بورس اوراق بهادار تهران در دو مدل شبکه عصبی با استفاده از داده‌های نوفه‌زدایی شده با تبدیل موجک و شبکه عصبی با استفاده از داده‌های اولیه از ابتدای سال 1385 تا انتهای سال 1390 می‌پردازد.به عبارت دیگر داده‌ها پیش از استفاده در شبکه عصبی، با استفاده از تبدیل موجک نوفه‌زدایی شده و سپس به عنوان داده‌های ورودی به شکبه عصبی منتقل می‌گردد. نتایج با استفاده از آزمون‌های دایبولد- ماریانو و مقایسه میانگین زوجی برای معیارهای MSE، MAE و MAPE، حاکی از بهبود معنادار در پیش‌بینی شبکه عصبی با استفاده از داده‌های نوفه‌زدایی شده می‌باشد.
- Abstract
- tock index as time series are non-stationary and highly noisy due to the fact that stock markets are affected by a variety of factors. It is regarded as one of the most challenging application of time series forecasting. Predicting stock index with the noisy data directly is usually subject to large errors. In this paper we compare forecasting the stock index via Wavelet De-noising-based Neural Network (WDNN) with forecasting stock index via single neural network. The daily Tehran Stock index from April 2006 to June 2013 are used to compare the application of the WDNN in predicting the stock index. Experimental results show that de-noising with wavelet transform outperforms the single neural network.
