پیش‌بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی: با رویکرد تحلیل تکنیکال

اختصاصی از یاری فایل پیش‌بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی: با رویکرد تحلیل تکنیکال دانلود با لینک مستقیم و پر سرعت .

پیش‌بینی زمان بهینه انجام معاملات با استفاده از شبکه عصبی فازی: با رویکرد تحلیل تکنیکال بصورت ورد وکامل

چکیده

در این تحقیق به عنوان نمونه پیش‌بینی زمان‌بندی معاملات سهام 17 شرکت فعال در بورس اوراق بهادار تهران انجام شد. بدین‌صورت که ابتدا داده‌های اولیه که شامل 3 متغیر قیمت پایانی، کمترین قیمت و بیشترین قیمت سهام طی دوره زمانی 1388 تا پایان 1391 بصورت روزانه است، از سایت رسمی سازمان بورس اوراق بهادارتهران گردآوری گردید .سپس با استفاده از این داده‌ها و تعریف توابع مربوطه در نرم افزار Excel شاخص‌های قدرت نسبی((RSI، میانگین متحرک همگرا- واگرا(MACD)، میانگین متحرک ساده((SMA، نوسانگر تصادفی((SO، میانگین متحرک نمایی(EMA) و خط سیگنال(SL) محاسبه شدند. پس از گردآوری سایر داده‌ها با استفاده از رگرسیون گام به گام متغیرهای ورودی هر شبکه عصبی فازی مربوط به هر سهم شناسایی شد. در شناسایی متغیرهای موثر بر شاخص‌های تحلیل تکنیکال این نتیجه حاصل شد که شاخص‌های RSI، MACD و شاخص کل سهام در 70 درصد نمونه مورد بررسی بر RSI 14 روز آتی تاثیر داشته‌اند. از طرفی، MACD-SL در 94 درصد نمونه مورد بررسی به عنوان متغیر ورودی شبکه پیش‌بین MACD-SL 14 روز آتی درنظر گرفته شده‌است. ازمیان متغیرهای مستقل، قیمت پایانی بیشترین تکرار را (تقریبا در 76 درصد موارد) در شبکه‌های پیش‌بینSMA-P 14 روز آتی داشته است. بیشترین متغیری که به عنوان ورودی شبکه‌های پیش‌بین EMA-P و SO 14 روز آتی شناسایی گردید، نسبت قیمت به سود بوده‌است. از میان کلیه متغیرها دلار و طلا به نسبت کمتری به عنوان متغیر ورودی درنظر گرفته شده‌است. این ورودی‌ها در نرم افزار Matlab و از طریق رابط گرافیکی Anfisedit جهت آموزش و تست شبکه مورد نظر به کار گرفته شدند. به گونه‌ای که پنج شبکه ANFIS برای پیش‌بینی متغیرهای RSI ، -SL MACD، -P SMA، SO وEMA-P 14روز آتی برای هر سهم طراحی شدند. سپس با استفاده از معیار MSE و RMSE و درصد صحت پیش‌بینی عملکرد شبکه‌های ایجاد شده بررسی گردید. نتایج نشان داد که میانگین درصد صحت پیش‌بینی کلیه شبکه‌های ایجاد شده (55/96%) بیشتر از حالت تصادفی (50%) است. سپس با اعمال مقررات معاملاتی مقادیر پیش‌بینی شده به سیگنال تبدیل شدند. سپس پیشنهاد داده شد که سیگنال نهایی سیستم طراحی شده از مجموع سیگنال‌های ایجاد شده توسط 5 شاخص تکنیکال مذکور بدست آید. در مرحله بعدی جهت سنجش بازده معاملات پیشنهادی مدل ارائه با استفاده از استراتژی معاملاتی پیشنهادی تحقیق یک معامله فرضی شبیه‌سازی گردید. سپس بازده معاملات صورت گرفته بر اساس سیگنال نهایی سیستم پیشنهادی با بازده روش‌های تکنیکال و روش‌های خرید و نگهداری (در دو حالت پیش از کسر هزینه‌های معاملاتی و پس از کسر هزینه‌های معاملاتی) مقایسه گشتند. با توجه بازدهی مثبت شاخص‌های SMA، EMA، SO و روش پیشنهادی می‌توان نتیجه گرفت که می‌توان با استفاده از این شاخص‌های تحلیل تکنیکال در بازار سهام ایران روند قیمت سهام را پیش‌بینی کرد. از این میان، روش میانگین متحرک ساده از بالاترین اعتبار برای پیش‌بینی روند قیمت سهام برخوردار است. در نتیجه بازار بورس تهران پتانسیل بکارگیری شاخص‌های مختلف تحلیل تکنیکی را داراست.