دانشگاه آزاد اسلامی
واحد دامغان
دانشکده علوم انسانی
 
پایان­نامه برای دریافت درجه کارشناسی ارشد M.S
حسابداری
 
عنوان:
پیش بینی قیمت و بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی و مقایسه آن با رگرسیون خطی  در شرکت های سرمایه گذاری پذیرفته شده در بورس اوراق بهادار تهران
 
 
 
بهمن 1393

برای رعایت حریم خصوصی نام نگارنده و استاد راهنما در سایت درج نمی شود
(در فایل دانلودی نام نویسنده و استاد راهنما موجود است)
تکه هایی از متن پایان نامه به عنوان نمونه :
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
 
 
فهرست مطالب
عنوان                                                                                                            صفحه
 
چکیده 1
فصل اول)کلیات تحقیق.. 2
1-1: مقدمه. 3
1-2 : بیان مسئله تحقیق.. 4
1-3 : اهمیت و ضرورت تحقیق: 4
1-4: اهداف تحقیق: 5
1-5: سوالات تحقیق: 6
1-6: فرضیه های تحقیق: 6
1-7 : مدل تحقیق.. 6
1-8 : تعاریف عملیاتی متغیرها و واژه های کلیدی.. 7
1-9: روش تحقیق.. 10
1-10: قلمرو تحقیق.. 10
1-11: جامعه آماری، حجم نمونه و روش نمونه گیری.. 10
1-12: روش و ابزار جمع آوری اطلاعات.. 11
1-13: روش تجزیه وتحلیل.. 11
1-14: چارچوب فصول پژوهش… 12
فصل دوم)ادبیات و پیشینه پژوهش… 14
2-1: مقدمه. 15
2-2: شبکه عصبی مصنوعی (ANN). 17
2-3: چراANNs ارزش مطالعه کردن دارند؟. 20
2-4: ویژگی های شبکه های عصبی.. 20
2-5: نرون عصبی انسان. 21
2-6: مفهوم شبکه. 25
2-7: مدل ریاضی شبکه عصبی مصنوعی.. 25
2-8: شبکه های عصبی تک نرونه، تک لایه، چند لایه. 26
2-9: انواع شبکه های عصبی مصنوعی از نظر برگشت پذیری.. 27
2-10: مراحل طراحی یک شبکه عصبی مصنوعی.. 29
2-11: انواع یادگیری برای شبکه های عصبی.. 31
2-11-1: یادگیری با ناظر. 31
2-11-2: یادگیری تشدیدی.. 32
2-11-3: یادگیری بدون ناظر. 32
2-12: زمینه ای در مورد پرسپترون. 33
2-12-1: قدرت پرسپترون. 33
2-12-2: دنباله های پرسپترون. 33
2-12-3: قضیه بنیادی دنباله ها 34
2-13: کاربردهای شبکه های عصبی مصنوعی ANN.. 35
2-14: برخی از کاربردهای شبکه های عصبی مصنوعی در مباحث مهندسی صنایع. 35
2-15: تعاریف متغیرهای پژوهش… 36
2-16: رگرسیون. 43
2-17: پیشینه تحقیق.. 44
2-17-1: پیشینه داخلی : 44
2-17-2: پیشینه خارجی : 47
فصل سوم)روش شناسی تحقیق.. 53
3-1 مقدمه. 54
3-2: روش تحقیق.. 54
3-2-1: طبقه بندی بر اساس روش… 54
3-2-2 : طبقه بندی بر اساس هدف.. 55
3-3: ابزار گردآوری داده ها 55
3-4: روش تجزیه تحلیل داده ها 55
3-4-1 : رگرسیون. 56
3-4-2: روش کار شبکه های عصبی.. 57
3-5 : جامعه آماری، نمونه آماری و روش نمونه گیری.. 62
3-5-1: جامعه آماری.. 62
3-5-2: نمونه آماری.. 63
3-6: الگوی تحقیق و متغیرها 65
3-7: جمع بندی.. 67
فصل چهارم)تجزیه و تحلیل داده های تحقیق.. 68
4-1: مقدمه. 69
4-2: آمار توصیفی.. 69
4-3: بررسی توزیع داده ها– نرمال بودن. 70
4-4: آزمون فرضیه ها 71
4-5: مدل سازی و پیش بینی با بهره گرفتن از شبکه عصبی مصنوعی پرسپترون چندلایه. 72
4-6: اطلاعات شبکه. 72
فصل پنجم)نتیجه گیری.. 84
5-1: مقدمه. 85
5-2: نتیجه گیری و تحلیل یافته های پژوهش… 85
5-3: پیشنهادات.. 86
5-3-1: پیشنهادات برای استفاده کنندگان از نتایج پژوهش… 86
5-3-2: پیشنهادات برای تحقیقات آتی.. 86
5-4:محدودیت های پژوهش… 87
Abstract. 93
 
 
 
فهرست جداول
عنوان                                                                                                            صفحه
جدول شماره  1-1 : متغیرهای پژوهش و جنس آنها 6
جدول شماره 1-2: تعاریف عملیاتی متغیرهای پژوهش… 7
جدول شماره 2-1: پیشینه تحقیق و تفاوت پیشینه مورد بررسی با تحقیق حاضر. 49
جدول شماره 3-1 : تکنیک غربالی برای انتخاب بهترین حجم نمونه. 64
جدول شماره 3-2 : لیست شرکت های مورد بررسی در این پژوهش… 65
جدول شماره  دو : متغیرهای پژوهش و جنس آنها 66
جدول شماره 4-1: برآورد شاخص های مرکزی و پراکندگی متغیرها 69
جدول 4-2: بررسی توزیع نرمال بودن با آماره کولموگروف- اسمیرنوف.. 70
جدول4-3: خلاصه فرایند انجام شده 71
جدول 4-4: جدول اطلاعات شبکه. 72
جدول4-4: خلاصه اطلاعات مدل. 75
جدول شماره 4-5: خلاصه فرایند انجام شده 76
جدول شماره 4-6: اطلاعات شبکه. 77
جدول شماره 4-7: خلاصه اطلاعات مدل. 78
جدول شماره 4-8: نتایج آنالیز رگرسیون خطی.. 80
جدول شماره 4-9: نتایج آنالیز شبکه عصبی.. 80
جدول شماره 4-10:مقایسه پیش بینی شبکه عصبی و رگرسیون خطی با داده های واقعی.. 80
جدول شماره 4-11:نتایج آنالیز رگرسیون خطی.. 82
جدول شماره 4-12: نتایج آنالیز شبکه عصبی.. 82
جدول شماره 4-13: مقایسه پیش بینی شبکه عصبی و رگرسیون خطی با داده های واقعی.. 82
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
فهرست نمودارها
عنوان                                                                                                           صفحه
نمودار شماره4-1: نمودار نمونه های آزمایشی با نمونه های تایید(قیمت). 73
نمودار4-2:  نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آموزشی و تایید. 74
نمودار 4-3: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آزمایشی و کلی.. 74
نمودار شماره 4-4: انطباق خطاهای هر یک از نمونه ها با یکدیگر(قیمت). 75
نمودار شماره4-5: نمودار نمونه های آزمایشی با نمونه های تایید(بازده). 77
نمودار شماره4-6: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آموزشی و تایید. 78
نمودار شماره4-7: نحوه قرار گرفتن داده ها و ضریب تبیین در مجموعه های آزمایشی و کلی.. 78
 
 
 
 
 
 
 
 
 
فهرست شکل ها
عنوان                                                                                                           صفحه
 
شکل2-1. یک نمونه شبکه عصبی.. 19
شکل 2-2 : ساختار یک سلول عصبی انسان. 22
شکل2-3: یک نمونه عصب واقعی.. 23
شکل 2-4. ساختار یک نورون عصبی مصنوعی.. 24
شکل 2-5: نمونه ای از یک شبکه ی تک لایه. 26
شکل 2-6 . نمونه ای از یک شبکه سه لایه. 27
شکل 2-7 . نمونه ای از یک شبکه سه لایه. 28
شکل 2-8 . نمونه ای از یک شبکه برگشتی.. 29
شکل 2-9 : نوع تابع تبدیل.. 30
شکل 3-1 : کیفیت پردازش اطلاعات در یک نرون مصنوعی.. 60
شکل 3-2: ساختار کلی شبکه های عصبی چند لایه پیش خور………………………………………………………………………..74
 
 
 
 
 
 
فهرست علامت­ها و اختصارها

معادل فارسی علامت معادل انگلیسی
سود هر سهم EPS Earning per share
     


چکیده

پیش بینی وضعیت آینده شرکت ها به موضوعات جذاب برای سرمایه گذاران و صاحبان سرمایه تبدیل شده است. قیمت و بازده سهام دو شاخص عمده هستند که همواره مورد توجه تحلیلگران بازار سرمایه قرار گرفته است. در عصر حاضر با توجه به پیشرفت فن آوری در زمینه علوم کامپیوتر و فراگیر شدن آن در علوم مختلف، زمینه های استفاده از شبکه های عصبی مصنوعی با توجه به سرعت بسیار بالای پردازش در کامپیوترها به وجود آمده است. پژوهش حاضر در تلاش است تا با بهره گرفتن از شبکه های عصبی مصنوعی به پیش بینی قیمت و بازده سهام، و همچنین به مقایسه نتایج حاصله با رگرسیون خطی بپردازد. به همین منظور تعداد 21 شرکت سرمایه گذاری پذیرفته شده در بورس اوراق بهادار تهران از طریق تکنیک غربالی برای سالهای 1385 تا 1391 به مدت هفت سال مالی مورد بررسی و پژوهش قرار گرفته است. نتایج تحقیق حاضر حاکی از این است که پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر است. پیش بینی بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی امکان پذیر است. شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی برآورد بهتری از قیمت سهام دارد. شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی برآورد بهتری از بازده سهام دارد.
واژگان کلیدی: شبکه های عصبی مصنوعی، رگرسیون خطی، قیمت سهام، بازده سهام
 

 

 

 

 

 

 

 

 

 

 

 
 
 
 
 
 

فصل اول

کلیات تحقیق

 
 
 
 
 
 
 
 
 
 
 
 
 
 

1-1: مقدمه

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. در عصر حاضر با توجه به پیشرفت فن آوری در زمینه علوم کامپیوتر و فراگیر شدن آن در علوم مختلف، زمینه های استفاده از شبکه های عصبی مصنوعی با توجه به سرعت بسیار بالای پردازش در کامپیوترها به وجود آمده است. این شبکه ها با بهره گرفتن از قابلیت یادگیری خود هر گونه تغییری در قوانین نهفته در سری های زمانی را فرا گرفته و برای پیش بینی آینده از آن استفاده می کنند(حیدری زارع و کردلویی، 1389). رشد اقتصادی مداوم و پایدار در هر اقتصادی مستلزم تجهیز و تخصیص بهینه منابع در سطح اقتصاد ملی میباشد (مهرآرا و همکاران، 1388). در ادبیات اقتصادی سرمایه به منزله رگ حیات یک نظام اقتصادی تلقی شده و بر تشکیل آن به عنوان مهمترین عامل تعیین کننده رشد و توسعه اقتصادی تأکید زیادی شده است. اساساً میزان رشد و توسعه اقتصادی از یک سو در گرو انباشت سرمایه بوده و از سوی دیگر به عامل بهره وری در فعالیتهای اقتصاد بستگی دارد. این دو عامل اساسی به چگونگی فرآیند سرمایه گذاری بستگی دارد(موتمنی، 1388). بنابراین و با توجه به این نکته که، «یکی از مهمترین وظایف بازارهای مالی، تسهیل تشکیل سرمایه می باشد»، بازارهای سرمایه و از جمله آنها بورس اوراق بهادار، به خوبی میتواند از عهده هر دو وظیفه اشاره شده (انباشت سرمایه و افزایش بهره وری اقتصادی) به خوبی برآید(سعیدی، 1388).
در این بین، پیش بینی نیز به عنوان یکی از عناصر کلیدی تصمیمگیری‏های اقتصادی، پیشامدهای آینده را با هدف کاهش ریسک تخمین می‏زند(حیدری زارع و کردلوئی، 1389). افزون بر این، وجود خطای پیش بینی در بکارگیری مدلهای مختلف طبیعی بوده و بالطبع مدلی ارجح تر است که از میزان خطای پیش بینی کمتری برخوردار باشد و لازمه این امر، وجود اطلاعات هر چه بیشتر درباره اجزاء مختلف سیستم مورد بررسی می باشد، که در بسیاری از موارد دسترسی به این اطلاعات بسیار سخت و گاهی ناممکن می باشد. در چنین شرایطی به منظور استمرار حضور سرمایه‏گذاران به عنوان‏ اصلی‏ترین ارکان بازار سرمایه، داشتن یک مدل پیش بینی مناسب سبب تخصیص بهینه منابع‏ و در نتیجه افزایش کارایی در این بازار می‏شود. از اینرو، بکارگیری مدلهای «سری زمانی تک متغیره» در قالب تحلیل تکنیکی میتواند پاسخی به این محدودیت باشد.
تحقیقات نشان می‏دهد اگر بتوان فرایند مولد داده‏های یک متغیر (خطی یا غیرخطی) را به‏ دست آورد پیش بینی آن متغیر راحت‏تر و با خطای کمتری امکان‏پذیر خواهد بود(مشیری‏ و فروتن، 1383). اگرچه مدل‏های خطی پیشرفته پیش بینی‏های مناسبی در دوره‏های زمانی‏ میان‏مدت و کوتاه‏مدت دارند، اما بررسی‏ها در بازار سرمایه نشان داده است که رفتار سهام‏ از یک الگوی خطی تبعیت نمی‏کند و الگوهای خطی تنها بخشی از رفتار سهام در بازار را نشان می‏دهد(مشیری و مروت، 1385). در این صورت وجود یک سیستم پویای غیرخطی در ارتباط با رفتار بازار مدل‏های موجود را عملاً دچار ابهام خواهد کرد. لذا پیش بینی‏ داده‏هایی که از این سیستم پیروی می‏کنند، نیازمند ابزارهای هوشمند و پیشرفته‏ای مانند شبکه‏های عصبی است. این شبکه‏ها به عنوان یکی از سیستم‏های هوشمند، می‏تواند رابطه‏ غیرخطی بین ورودی‏ها و خروجی‏ها را براساس مجموعه داده‏ها، تشخیص و روابط بنیادین‏ بین آنها را شناسایی نماید(البرزی و همکاران، 1388). در همین راستا پژوهش حاضر در تلاش است تا با بهره گرفتن از شبکه های عصبی مصنوعی به پیش بینی قیمت و بازده سهام در میان شرکتهای پذیرفته شده در بورس اوراق بهادار تهران بپردازد.

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه رشته حقوق :سرمایه گذاری خارجی در حوزه انرژی و حقوق حاکم بر آن

1-2 : بیان مسئله تحقیق

تاثیر بورس اوراق بهادار در توسعه اقتصادی یک کشور، امری بدیهی است. بازار سرمایه یکی از نهادهایی است که می تواند نقش بسزایی در گذار از اقتصاد توسعه نیافته به اقتصاد توسعه یافته ایفا کند. چرا که این بازار می تواند با تخصیص بهینه منابع و هدایت سرمایه های سرگردان به سمت سرمایه گذاری های مولد، به افزایش تولید کالا و خدمات در جامعه کمک نماید(چائوهان و همکاران، 2014) [1]. یکی از مهمترین عوامل در تصمیم گیری صحیح، اطلاعات مناسب و مرتبط با موضوع تصمیم است (عسگری، 1383). در این تحقیق برآنیم که به بررسی تاثیر برخی متغیرهای مالی در پیش بینی بازده آتی سهام با بهره گرفتن از شبکه عصبی و رگرسیون خطی بپردازیم و با در نظر گرفتن تمامی این عوامل تاثیرگذار بر قیمت و بازده سهام، قیمت و بازده را با بهره گرفتن از دو روش فوق پیش بینی نماییم و به این سوال پاسخ دهیم که آیا شبکه های عصبی مصنوعی در مقایسه با رگرسیون خطی در پیش بینی قیمت و بازده سهام عملکرد بهتری خواهد داشت؟

1-3 : اهمیت و ضرورت تحقیق:

در دهه های اخیر؛ جهانی سازی، تشکیل بازارهای مالی جدید، تشدید رقابت بین شرکت ها، موسسات و سازمان ها و همچنین تغییرات سریع اقتصادی، اجتماعی و تکنولوژی باعث افزایش عدم اطمینان و بی ثباتی در محیط های مالی شده و به تبع آن پیچیدگی فرآیند تصمیم گیری مالی نیز بیشتر شده است. در چنین شرایطی مسلماً بالندگی اقتصادی در گرو تصمیم گیری صحیح و تخصیص بهینه منابع خواهد بود، چرا که اگر سرمایه ها در فرصت های مناسب، سرمایه گذاری نشوند و یا به نحوی از آن ها استفاده شود که کارایی لازم را نداشته باشند، اقتصاد کلان کشورها دچار چالش های عظیمی خواهد شد. از این روست که امروزه در تمام اقتصادهای توسعه یافته و یا در حال توسعه از سرمایه گذاری و سرمایه گذاران حمایت گسترده ای به عمل می آید. همین دیدگاه سبب شده است تا سرمایه گذاری و بهره گیری مناسب از فرصت های سرمایه گذاری به یکی از مهم ترین موضوعات مطرح شده در زمینه مدیریت مالی تبدیل شود (اسلامی و جهانشاهی ،1376). قیمت و بازده سهام دو عامل مهم و تاثیرگذار برای سرمایه گذاران در سرمایه گذاری هاست. از این رو در صورتی که آنها نسبت به این دو عنصر قدرت پیش بینی و تخمین داشته باشند خواهد توانست افق بهتری برای سرمایه گذاری خود در نظر داشته باشد و در سطح گسترده تری به سرمایه گذاری بپردازند. از این رو ضرورت دارد تا چنین پژوهشی برای بهره مندی سرمایه گذاران و صاحبان کسب و کار در اختیار این دسته از افراد قرار گیرد.
جنبه جدید بودن و نوآوری طرح : مطالعه حاضر به جهت مقایسه یک روش آماری قوی یعنی رگرسیون خطی چندمرحله ای و یک مدل فرا ابتکاری شناخته شده یعنی شبکه عصبی مصنوعی در مدل سازی ساختار سرمایه دارای نوآوری است. همچنین در ارتباط با جامعه آماری پژوهش می توان به پیاده سازی پژوهش در میان شرکت های سرمایه گذاری بورس اوراق بهادار تهران اشاره کرد که تاکنون به این طریق در این زمینه پژوهشی صورت نگرفته است.

1-4: اهداف تحقیق:

هدف از اجرای این تحقیق، بروز رسانی دانش سرمایه گذاران و به ویژه سرمایه گذاران نهادی برای پیش بینی قیمت سهام و همچنین شناخت GMDH بازار در استفاده از شبکه عصبی هوشمند در این پیش بینی است. با این حال، هدف آرمانی این تحقیق را می توان ارائه یک تحلیل مقایسه ای بین مدل رگرسیون و شبکه عصبی در مدل سازی ساختار سرمایه شرکت ها عنوان نمود. در این راستا اهداف فرعی نیز به شرح زیر مورد نظر محقق می باشد:
1.تعیین امکان پذیری پیش بینی قیمت و بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی.
1-1: تعیین امکان پذیری پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی.
1-2: تعیین امکان پذیری پیش بینی بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی.
2.تعیین امکان پذیری برآورد بهتری شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
2-1: تعیین امکان پذیری برآورد بهتر شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
           2 -2: تعیین امکان پذیری برآورد بهتر شبکه ی عصبی مصنوعی در مقایسه با رگرسیون خطی.
با توجه به اینکه پژوهش پیرامون بورس اوراق بهادار تهران به مطالعه می پردازد هم مدیران عامل شرکت های سرمایه گذاری و هم مدیران شرکت هایی غیر از شرکت های سرمایه گذاری و نیز سرمایه گذاران حقیقی و حقوقی می توانند از نتایج پژوهش در تشکیل پرتفوی به نحو بهینه استفاده کنند. این نتایج راهگشای سرمایه گذاران در انتخاب سبد پرتفوی سرمایه گذاری آنان است. در بخش دیگر پژوهشگران آتی می توانند از نتایج پژوهش برای انجام پژوهش های آتی بهره گیرند.
[1]  Chauhan et al
تعداد صفحه :106
قیمت :37500 تومان

http://sabzfile.com/?checkout=13994″ method=”post”>ir/wp-content/uploads/2018/10/32.png” value=”1″>

بلافاصله پس از پرداخت ، لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.