عنوان پایان‌نامه
پیش بینی تغییرات شاخص بورس تهران به کمک رگرسیون بردار پشتیان
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67044
- تاریخ دفاع
- ۱۳ بهمن ۱۳۹۳
- دانشجو
- آرمان حسن نیاکلاگر
- استاد راهنما
- شاپور محمدی
- چکیده
- در بازارهای مالی، پیش بینی همواره یکی از مهمترین بخش¬های استراتژی¬های معاملاتی را تشکیل می¬دهد که البته روش¬های فراوانی با این هدف در طول زمان ارائه شده است. با گسترش نفوذ و افزایش سرعت کامپیوترها در دو دهه گذشته بکارگیری آنها در زمینه¬های مختلف از جمله علوم مالی رشد چشم-گیری یافته است. آنها می¬توانند حجم انبوهی از اطلاعات را در زمانی کوتاه با احتمال خطای بسیار محدود دریافت، پردازش و تحلیل نمایند؛ بهره¬گیری از این ویژگی در بازارهای مالی بخشی از مطالعات در دهه گذشته را بخود اختصاص داده است. رگرسیون بردار پشتیبان یکی از الگوریتم¬هایی است که سعی دارد با یادگیری از مجموعه¬ای از داده¬های نمونه به کشف قواعد و الگوهای تعامل میان مجموعه ورودی و خروجی بپردازد. در این پژوهش با بکارگیری این الگوریتم به ساخت و بهینه سازی یک مدل کمی عملیاتی برای پیش بینی شاخص بورس اوراق بهادار تهران پرداختیم که با وجود منطق ساده الگوریتم و استفاده از سری زمانی مقادیر شاخص پایانی روزانه، نتایجی بهتر از روش¬هایی با ساختار پیچیده مانند مدل خودرگرسیو انباشته میانگین متحرک و شبکه عصبی مصنوعی برای نماد مورد مطالعه دارد. همچنین با بهینه سازی همزمان پارامترهای مدل توانستیم متوسط نرخ موفقیت در پیش بینی جهت تغییرات شاخص را تا 68% افزایش دهیم که 26% نسبت به مدل پایه، 7% نسبت به شبکه عصبی مصنوعی و 10% نسبت به مدل خودرگرسیو انباشته میانگین متحرک بالاتر بوده و نسبت به سایر پژوهش¬های انجام شده نیز برتری قابل ملاحظه¬ای را نشان می¬دهد.
- Abstract
- In financial markets, prediction has always been a cornerstone in trading strategies dealing with different techniques available in markets analysis literature. During the last two decades, computers applications has grown significantly in virtually all fields including financial science thanks to remarkably offered speed and efficiency. They can process and analyze enormous amount of data in a glimpse with very little probability of error. Taking advantages of such properties in financial markets has attracted a number of surveys in last years. Support vector regression machine is one of algorithms trying to analysis financial data by exploring rules and patterns in input-output sets interaction. In this surveys, a quantitative model is developed and optimized for Tehran Stock Exchange index using mentioned algorithm presenting prediction results greater than pioneer methods of prediction and forecasting in artificial intelligence and classic regression models e.g. neural networks and autoregressive integrated moving average and advantages like simpler logic, global optimum solution and easily accessible input data feed like daily close values of stocks index. Concurrent optimization of model parameters improved performance measure of average hit ratio in predicting price move direction to 68% which outperforms base model by 26%, feed-forward artificial neural network model by 7% and autoregressive integrated moving average model by 10% reflecting considerable performance improvement compared to previous studies.
