عنوان پایان‌نامه
آنالیز سیگنال مالی با اتکا به ریسک پذیری
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2500;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64275
- تاریخ دفاع
- ۰۲ بهمن ۱۳۹۲
- دانشجو
- علی شیری
- استاد راهنما
- اشکان رحیمی کیان
- چکیده
- در دنیای امروز، اقتصاد و جولانگاه آن یعنی بازار و عنصر جدایی‌ناپذیر این عرصه یعنی معامله، ماهیت مدرنیزه یافته و پا‌به¬پای شئون زندگی انسان¬ها در چرخه پیشرفت و تکامل، ابعاد تازه¬ای به خود گرفته‌اند و روزبه‌روز پیچیدگی¬های بیشتری می¬یابند. بازارهای مالی مانند بورس جایگاه مهم و جذابی برای کسب درآمد و تولید ثروت محسوب می‌شوند و به همین دلیل افراد بسیاری را به خود جذب نموده‌اند، اما از سوی دیگر فعالیت در این بازارها مستلزم پذیرش ریسک بالایی نیز هست. سرمایه‌گذاری مستلزم مدیریت سرمایه‌ی سرمایه‌گذار است. در این پایان‌نامه هدف اصلی مدیریت ریسک یک سیگنال مالی است. بدین منظور دو روش برای مدیریت ریسک ارائه شده است. روش اول مبتنی بر آنالیز هوشمند سیگنال مالی می‌باشد. در این روش از دو مفهوم فرآیند مارتینگل و فرآیند مارکوف الهام گرفته‌شده است، یک دنباله تصادفی از سری زمانی بر اساس الگوریتم ارائه شده تولید می‌شود، سپس با استفاده از روش‌های طبقه‌بندی دنباله تصادفی به دو فضا تقسیم می‌شود و هر فضا با الگوریتم ارائه شده توسط روش خوشه‌بندی K میانگین، دسته‌بندی و سپس احتمالات ماتریس حالت و ماتریس انتقال حالت بروز رسانی می‌شود. در این روش می‌توان شاخص ریسک بر پایه احتمال حالات و همچنین احتمال هر فضا را محاسبه کرد. روش دوم مدیریت ریسک بر پایه پیش‌بینی مدل مخفی مارکوف است. در این روش با استفاده از میانگین و انحراف معیار تعداد معینی از داده‌های قبلی را به عنوان ورودی مدل در نظر می‌گیریم، سپس با تولید میانگین و انحراف معیار جدید از مدل مخفی مارکوف، تابع توزیع نرمالی را تولید می‌کنیم. تابع توزیع نرمال به عنوان خروجی پیوسته پیش‌بینی‌شده در نظر گرفته می‌شود، احتمالات مربوط بر هر بازه از انحراف معیارهای توابع توزیع تولیدشده مورد ارزیابی قرار می‌گیرد. این توابع معیار خوبی برای سنجش احتمال وقوع قیمت در بازه‌های مختلف را نشان می‌دهد.
- Abstract
- The main purpose of this thesis is Risk Management of financial time series. At first, some of features of our financial time series are extracted using nonlinear time analysis approaches such as Higuchi Fractal Dimension, and Hurst Exponent. These approaches measure feature like long term memory and complexity in time series. In this study two, Risk Management methods based on Probability and Hidden Markov Model are introduced. The first method is based on the intelligent analysis of financial time series. Approach is inspired by the concept of a Markov process and Martingle Process. A random sequence is generated by time series. Then a random sequence is classified into two classes, each class is clustered with K-means algorithm, state transition matrix and state matrix are obtained. Afterward state transition matrix and state matrix are updated. The risk comes from the possibility of each state and each class. The second method is based on Hidden Morkov model. In this method, we consider the mean and standard deviation of a certain number of previous data as input data. Normal distribution of mean and standard deviation derived from the hidden Markov model is generated.The normal distribution function is considered as a continuous output forecast, Probability of each intervals being evaluated.
