عنوان پایان‌نامه
مدلسازی دینامیکی بازار بورس و انجام تصمیم گیری به کمک تئوری بازی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38556
- تاریخ دفاع
- ۱۴ مرداد ۱۳۸۷
- دانشجو
- رامین رجبیون
- استاد راهنما
- اشکان رحیمی کیان
- چکیده
- چکیده کارکرد صحیح سیستم های اقتصادی، اجتماعی و سیاسی برای رفاه و توسعه¬ مناسب در هر کشوری لازم است. اعمال و وضع سیاست ها و قوانین مناسب که بر اساس اطلاعات صحیح و دقیق از عملکرد این سیستم ها به دست می¬آید، برای نگاه داشتن این سیستم ها در وضعیت مطلوب ضرورت دارد. برای رسیدن به این منظور، باید اثر عوامل مختلف بر این سیستم ها را به خوبی شناخت و نحوه¬ برهم¬کنش اجزای مختلف سیستم را علاوه بر چگونگی پاسخ آن به محرک های خارجی، مشخص نمود. برای آن که بتوان عملکرد سیستم اقتصادی را اصلاح کرد، ابتدا باید آن را شناخت و مدلی برای رفتار آن به دست آورد. سیاست گذاری مناسب می تواند بر اساس این مدل از سیستم اقتصادی انجام شود. ابزاری که امروزه برای توصیف تئوریک سیستم های اقتصادی به کار می¬رود، نظریه¬ بازی است. نظریه بازی برای بررسی سیستم هایی به کار می رود که در آنها عوامل متعددی بر رفتار سیستم اثر می¬گذارند که هریک هدفی مجزا را دنبال می کنند و در عین حال از این تأثیر خود و دیگران بر رفتار سیستم آگاهی دارند. در این پایان¬نامه ابتدا مدل دقیقی برای پیش¬بینی قیمت¬های آتی سهام هشت شرکت منتخب از بازار بورس بوستون آمریکا بدست آمد. افق پیش¬بینی 30 روز انتخاب گردید. سپس یک بازار بورس مجازی با محدودیتها و شرایط اولیه خاصی طراحی شد. با استفاده از مدلهای حاصله و در نظرگرفتن شرایط حاکم بر معاملات، استراتژیهای بهینه برای چند بازیگر با استراتژیها، علایق و ریسک¬پذیری¬های مختلف بدست آمد. با توجه به اینکه اعمال بازیکنان (خریداران و فروشندگان) روی قیمتهای آتی سهام و نیز روی سود دیگر بازیکنان اثر می¬گذارد، برای بدست آوردن استراتژیهای بهینه هر بازیگر از نظریه بازیها استفاده شده است. قابل ذکر است که در بازی طراحی شده یک رهبر و دو پیرو وجود دارند. بنابراین در هر روز کاری، یک نقطه تعادل استکلبرگ برای بازیهای انجام شده بدست آمده است.
- Abstract
- Abstract Abstract of MS Thesis: Forecasting the change in market prices and making proper decisions is one of the most principal needs of anyone who economical environments concerns him. Time series are the most common methods used in price prediction. But the predominant defect of these methods is that they use only the history of a company’s price to do a price prediction. Recently, there has been growing attention to the models that concern the interaction among companies in modeling and the use of game theory in decision making because of providing more realistic models. Producing the right buy/sell signals are also important for those who trade in the stock markets. In this thesis we use the Genetic Programming (GP), Multi-Layer Perceptron (MLP), Neuro-Fuzzy Network trained by Locally Linear Model Tree (LoLiMoT) and Nonlinear State Space Based on Neural Network (NSS) to find the best mathematical models for the eight companies' stock prices under study. Our models obtained using GP and NSS are able to predict these stock prices for the next 30th day with acceptable prediction errors in the market. The modeling is done for four companies in Boston Stock Market. We use the price history of these eight companies as inputs to predict our four objective companies’ prices including. After these models are obtained we include the effect of buyers/sellers on future price of the companies. After modeling the four companies' stock prices, we create some agents who trade in a virtual stock market in order to maximize their wealth. These agents (players) will buy or sell their in hand stocks according to their uniquely defined strategies. Each player has a unique objective function in which the actions of other players are included. This kind of defining the objective function leads to an optimization problem which can be solved using game theory. We also maximize the wealth of these players using the concept of multi-objective optimization theory by adding up their objective functions. The obtained results from both methods are compared and the best strategy for our virtual stock market is determined.
