عنوان پایان‌نامه
پیش بینی کوتاه مدت قیمت سهام با استفاده از ECHI STATE NETWORK
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61479
- تاریخ دفاع
- ۱۴ اسفند ۱۳۹۲
- دانشجو
- سحر وارسته
- استاد راهنما
- شاپور محمدی
- چکیده
- پیش بینی و بررسی رفتار قیمت اوراق بهادار مقوله ای است که دانشمندان علوم مالی و سرمایه گذاران همواره در پی بهینه سازی آن می باشند. درعصرحاضر با توجه به پیشرفت فناوری در زمینه علوم کامپیوتر و فراگیرشدن آن درعلوم مختلف، زمینه ی استفاده از شبکه ی عصبی مصنوعی با توجه به سرعت بسیاربالای پردازش در کامپیوترها به وجودآمده است. در این تحقیق از شبکه های عصبی مرسوم برای پیش بینی قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران که در طی دوره زمانی 5 ساله حداقل 700 روز معاملاتی داشته اند (140 شرکت) استفاده شده است، اما به دلیل تکرر این نوع از شبکه ها، درصدد برآمدیم که شبکه ای جدید با الگوریتم متفاوت را بکار بندیم. هدف این تحقیق بکارگیری شبکه جدید اکو استیت در پیش بینی قیمت سهام و مقایسه نتایج حاصله از شبکه اکو استیت با شبکه های مرسوم پرسپترون چندلایه، المن و مدارشعاعی است. قیمت ها برای دوره 5 ساله به عنوان ورودی سیستم وارد می شوند که این ورودی های شبکه، قیمت های پایانی وقفه دار هستند که با استفاده از آنها قیمت پایانی روز بعد پیش بینی می شود. پس از انجام پیش بینی ها، مشاهده گردید که میانگین خطای شبکه اکو استیت کمتر از دیگر شبکه ها بوده و برای شرکت هایی که شبکه های پیشین خطای بالایی را برای آنها محاسبه کرده بودند، اکو استیت بسیار مناسب ظاهر شده و خطای کمتری دارد. در نهایت، پس از تایید صحت فرضیه انجام آزمون f، می توان نتیجه گرفت که در بین شبکه های عصبی، شبکه اکو استیت در محدوده زمانی تحقیق و شرکت های مورد آزمون، از سایر شبکه ها نتایج بهتری داشته است و عملکرد این شبکه ها تفاوت معناداری با هم دارند.
- Abstract
- Examining the behavior of securities and forecasting stock prices are important issues to be optimized by both investors and finance researchers. Due to recent technological developments in computer science as well as high data processing speed, artificial neural networks (ANNs) have become universal in various branches of science and engineering. In this study, traditional neural networks are used to forecast the stock prices belong to companies admitted to the Tehran Exchange Securities which have at least 700 active transaction days in a 5 year period (140 companies). Since traditional neural networks are frequently used by different researchers, a novel network with a different algorithm is utilized in the current study. This research aims at introducing a new ANN called Echo State Neural Network (ESN) and apply it to stock price prediction. The results obtained by ESN are compared with those of traditional ANN i.e. Multilayer Perceptron (MLP), ELMAN and Radial Basis Function (RBF). Stock closing prices for the period of 5 years are fed into the network for each company. The network feed are lagged closing prices by which the closing price of the next day will be predicted through ESN. The results forecasted by aforementioned ANNs show that ESN generally produces lower errors in comparison to other networks. Moreover, ESN performance is excellent in cases where high errors are observed using other networks. The hypothesis of this research states that the errors produced by ENS for price forecasting is lower than those of traditional ANNs. Having been accepted the above mentioned hypothesis using statistical f-test, it can be concluded that among ANNs ESN has the best performance in the companies investigated in the studied period of time.
