ریسرچ
user8193- فول تکست
Please enter banners and links.
0029/10/1387-4214
تشکر و قدردانی :
به این وسیله از زحمات بی دریغ استاد گرامی، جناب دکتر نجفی کمال تشکر را به خاطر سعه صدر و راهنمایی هایشان دارم
چکیده
بازار سرمایه، به دلیل داشتن خواص بسیاری از جمله عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده است. به همین دلایل، رشد این بازارها با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده است. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا بررسی همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین دلایل، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به طور کلی می توان گفت که تلاش های صورت گرفته تا زمان فعلی، در سه دسته برای پیش بینی بازار سرمایه قرار می گیرند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از مدل های ریاضی استفاده می کنند. تلاش برای افزایش قابلیت های مدل های موجود با استفاده از تلفیق این مدل ها با یکدیگر، روند تازه ای است که نتایج رضایت بخشی را نیز به دنبال داشته است. بیشتر این تلاش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با استفاده از تحلیل تکنیکی و تحلیل بنیادی در چارجوب مدل های ریاضی و هوش مصنوعی قرار می گیرند. در همین راستا در پژوهش پیش رو به تلفیق تحلیل تکنیکی، تحلیل به وسیله مدل های سری زمانی و داده کاوی پرداخته و برای اولین بار به پیش بینی دو قیمت برای دوره آینده می پردازیم. مدل های مذکور در قالب شبکه عصبی با یکدیگر تلفیق شده و نتایج نشان دهنده برتری عملکرد شبکه عصبی نسبت به مدل رگرسیون چند متغیره و مدل های سری زمانی دارند.
کلمات کلیدی : پیش بینی؛ شبکه عصبی؛ داده کاوی؛ سری زمانی؛ تحلیل تکنیکی؛ رگرسیون چند متغیره
فهرست مطالب
TOC \o “1-3” \h \z \u فصل اول : کلیات تحقیق PAGEREF _Toc398330810 \h 11-1- مقدمه PAGEREF _Toc398330812 \h 21-2- نظریه کارایی بازار سرمایه PAGEREF _Toc398330813 \h 31-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی PAGEREF _Toc398330814 \h 51-4- پژوهشهای مشابه PAGEREF _Toc398330815 \h 91-5- ضرورت انجام تحقیق و اهمیت تحقیق PAGEREF _Toc398330816 \h 131-6- اهداف تحقیق PAGEREF _Toc398330817 \h 141-7- ساختار تحقیق PAGEREF _Toc398330818 \h 14فصل دوم : ادبیات تحقیق PAGEREF _Toc398330819 \h 152-1- مقدمه PAGEREF _Toc398330821 \h 162-1-1- تحلیل تکنیکی PAGEREF _Toc398330822 \h 172-1-2- تحلیل بنیادین PAGEREF _Toc398330823 \h 182-1-3- تحلیل توسط مدلهای علمی PAGEREF _Toc398330824 \h 192-2- آیا بازار سرمایه پیش بینی پذیر است؟ PAGEREF _Toc398330825 \h 222-2-1- نظریه کارایی بازار سرمایه PAGEREF _Toc398330826 \h 222-2-2- فروض نظریه کارایی بازار PAGEREF _Toc398330827 \h 282-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه PAGEREF _Toc398330828 \h 292-2-4- پاسخ نظریه کارا PAGEREF _Toc398330829 \h 302-2-5- نتیجه گیری PAGEREF _Toc398330830 \h 312-3- داده کاوی PAGEREF _Toc398330831 \h 322-3-1- مقدمه PAGEREF _Toc398330832 \h 322-3-2- مفهوم داده کاوي PAGEREF _Toc398330833 \h 332-3-4- اهداف داده کاوی PAGEREF _Toc398330834 \h 362-3-5- داده کاوي و رابطه آن با علم آمار PAGEREF _Toc398330835 \h 412-4- شبکه عصبی PAGEREF _Toc398330836 \h 432-4-1- معرفی: PAGEREF _Toc398330837 \h 432-4-2- کاربرد شبکه های عصبی PAGEREF _Toc398330838 \h 442-4-3- تعریف پایه شبکه های عصبی PAGEREF _Toc398330839 \h 442-4-4- ویژگی های شبکه عصبی PAGEREF _Toc398330840 \h 462-5- تحلیل تکنیکال PAGEREF _Toc398330841 \h 592-5-1- مقدمه: PAGEREF _Toc398330842 \h 592-5-2- اندیکاتورهای تحلیل تکنیکال PAGEREF _Toc398330843 \h 602-6- مرور پژوهش های مشابه PAGEREF _Toc398330844 \h 632-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام PAGEREF _Toc398330845 \h 632-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام PAGEREF _Toc398330846 \h 702-6-3- کاربرد داده کاوی در بازار سهام PAGEREF _Toc398330847 \h 752-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام PAGEREF _Toc398330848 \h 77فصل سوم : روش تحقیق PAGEREF _Toc398330849 \h 813-1- مقدمه PAGEREF _Toc398330851 \h 823-2- جمع آوری داده ها PAGEREF _Toc398330852 \h 853-3- پیش پردازش داده ها PAGEREF _Toc398330853 \h 853-3-1- کاهش سطری داده ها PAGEREF _Toc398330854 \h 863-3-2- ساخت اطلاعات مورد نیاز PAGEREF _Toc398330855 \h 883-3-3- انتخاب داده ها و کاهش ستونی PAGEREF _Toc398330856 \h 933-4- طراحی شبکه عصبی برای پیش بینی قیمت سهم PAGEREF _Toc398330857 \h 953-4-1- ساختار شبکه PAGEREF _Toc398330858 \h 953-4-2- الگوریتم یادگیری PAGEREF _Toc398330859 \h 973-4-3- توابع فعال سازی PAGEREF _Toc398330860 \h 983-5- مدل های رقیب و معیارهای سنجش PAGEREF _Toc398330861 \h 983-6- جمع بندی PAGEREF _Toc398330862 \h 98فصل چهارم : نتایج عددی PAGEREF _Toc398330863 \h 994-1- مقدمه PAGEREF _Toc398330865 \h 1004-2- جمع آوری داده ها و تشکیل پایگاه داده PAGEREF _Toc398330866 \h 1004-3- پیش پردازش داده ها PAGEREF _Toc398330867 \h 1014-3-1- کاهش سطری داده ها PAGEREF _Toc398330868 \h 1014-3-2- ساخت اطلاعات مورد نیاز PAGEREF _Toc398330869 \h 1034-3-3- انتخاب داده ها و کاهش ستونی پایگاه داده PAGEREF _Toc398330870 \h 1094-4- طراحی شبکه عصبی PAGEREF _Toc398330871 \h 1154-5- اجرای شبکه عصبی و مقایسه نتایج PAGEREF _Toc398330872 \h 1164-6- جمع بندی PAGEREF _Toc398330873 \h 121فصل پنجم : نتیجه گیری PAGEREF _Toc398330874 \h 1225-1- مقدمه PAGEREF _Toc398330876 \h 1235-2- جمع بندی تحقیق PAGEREF _Toc398330877 \h 1235-3- نتایج و نوآوری های تحقیق PAGEREF _Toc398330878 \h 1245-4- پیشنهادات برای تحقیقات آتی PAGEREF _Toc398330879 \h 125
فهرست جدول ها
TOC \h \z \t “ali,1” جدول 2-1 : توابع فعالسازی نرون های مختلف در شبکه های عصبی PAGEREF _Toc398328581 \h 49جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال PAGEREF _Toc398328582 \h 61جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول PAGEREF _Toc398328583 \h 62جدول 3-1 : صنایع و شرکت های انتخاب شده جهت انجام پژوهش PAGEREF _Toc398328584 \h 85جدول 3-2 : اندیکاتورهای به کار رفته در پژوهش PAGEREF _Toc398328585 \h 89جدول 4-1 : تغییرات تعداد رکوردهای پایگاه های ساخته شدن پس از حذف داده های مغشوش PAGEREF _Toc398328586 \h 102جدول 4-2 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های پرت PAGEREF _Toc398328587 \h 103جدول 4-3 : سری های زمانی ساخته شده توسط اندیکاتورهای تحلیل تکنیکال PAGEREF _Toc398328588 \h 104جدول 4-4 : بهترین lag شرکت های حاضر در صنعت بانک و مؤسسات مالی با بانک پارسیان PAGEREF _Toc398328589 \h 105جدول 4-5 : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس PAGEREF _Toc398328590 \h 106جدول 4-5 : بهترین lag شرکت های حاضر در صنعت شیمیایی با صنایع شیمیایی فارس : ادامه جدول PAGEREF _Toc398328591 \h 107جدول 4-6 : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان PAGEREF _Toc398328592 \h 107جدول 4-6 : بهترین lag شرکت های حاضر در صنعت فلزات اساسی با فولاد مبارکه اصفهان : ادامه جدول PAGEREF _Toc398328593 \h 108جدول 4-7 : تغییرات تعداد رکوردهای پایگاه های ساخته شده، پس از حذف داده های مغشوش اندیکاتورها PAGEREF _Toc398328594 \h 109جدول 4-8 : اندیکاتورهای انتخاب شده توسط روش رگرسیون پله ای برای ورود به شبکه عصبی PAGEREF _Toc398328595 \h 110جدول 4-9 : دسته بندی اندیکاتورهای مشابه PAGEREF _Toc398328596 \h 111جدول 4-10 : اندیکاتورهای انتخاب شده از دسته ها برای ورود به شبکه عصبی PAGEREF _Toc398328597 \h 111جدول 4-11 : داده های تخصیص داده شده به شبکه عصبی در هر پایگاه PAGEREF _Toc398328598 \h 116جدول 4-12 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام بانک پارسیان PAGEREF _Toc398328599 \h 120جدول 4-13 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام صنایع شیمیای فارس PAGEREF _Toc398328600 \h 120جدول 4-14 : مقایسه نتایج به دست آمده از شبکه عصبی و مدل های رقیب برای سهام فولاد مبارکه اصفهان PAGEREF _Toc398328601 \h 121
فهرست شکل ها
TOC \h \z \t “ali2,1″ شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه PAGEREF _Toc398329316 \h 21شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي PAGEREF _Toc398329317 \h 45شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند. PAGEREF _Toc398329318 \h 45شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد) PAGEREF _Toc398329319 \h 47شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی PAGEREF _Toc398329320 \h 48شکل 2-6 : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکهای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی PAGEREF _Toc398329321 \h 50شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی) PAGEREF _Toc398329322 \h 51شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی PAGEREF _Toc398329323 \h 52شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرونهای میانی PAGEREF _Toc398329324 \h 53شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر PAGEREF _Toc398329325 \h 54شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال PAGEREF _Toc398329326 \h 56شکل 3-1 : شمای کلی مراحل انجام تحقیق PAGEREF _Toc398329327 \h 84شکل 3-1 : شباهت سری های سفید و سیاه با در نظر گرفتن lag PAGEREF _Toc398329328 \h 92شکل 4-1 : قیمت های بسته شدن سهام بانک پارسیان و بانک کارآفرین PAGEREF _Toc398329329 \h 113شکل 4-2 : قیمت های بسته شدن سهام پتروشیمی خارک و صنایع شیمیایی فارس PAGEREF _Toc398329330 \h 114شکل 4-3 : قیمت های بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان PAGEREF _Toc398329331 \h 115شکل 4-4 : شبکه عصبی ساخته شده توسط نرم افزار متلب PAGEREF _Toc398329332 \h 116شکل 4-5 : قیمت های پایین پیش بینی شده و واقعی برای سهام بانک پارسیان PAGEREF _Toc398329333 \h 117شکل 4-6 : قیمت های بالای پیشش بینی شده و واقعی برای سهام بانک پارسیان PAGEREF _Toc398329334 \h 117شکل 4-7 : قیمت های پایین پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس PAGEREF _Toc398329335 \h 118شکل 4-8 : قیمت های بالای پیش بینی شده و واقعی برای سهام صنایع شیمیایی فارس PAGEREF _Toc398329336 \h 118شکل 4-9 : قیمت های پایین پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان PAGEREF _Toc398329337 \h 119شکل 4-10 : قیمت های بالای پیش بینی شده و واقعی برای سهام فولاد مبارکه اصفهان PAGEREF _Toc398329338 \h 119 TOC \p ” ” \h \z \t “ali2,1”
فصل اول
کلیات تحقیق
مقدمهعدم قطعیت در بازار سرمایه به معنای تفاوت مقادیر مورد انتظار و مقادیری است که در واقعیت اتفاق میافتند. طراحی روشهای تحلیل و پیشبینی مختلف در بازار سرمایه نیز به دلیل بالا بودن این مقدار و نیاز به دانستن قیمتها در آینده با قطعیت بیشتر یا عدم قطعیت کمتر بوده است. برای کسب سود در بازار سرمایه، سرمایهگذاران همواره به دنبال پیدا کردن سهم مناسب جهت سرمایهگذاری و قیمت مناسب برای خرید و فروش بودهاند و لذا تمام مدلهای پیش بینی مطرح شده همواره به دنبال پاسخ دادن به سه سؤال اساسی بودهاند؛ چه سهمی، در چه محدوده زمانی و در چه قیمتی خریداری شود و یا به فروش برسد. قبل از بررسی پاسخهای داده شده به این سؤالات، باید به سؤال جدیتری پاسخ داد. از جمله اینکه آیا پیش بینی بازارهای مالی ممکن است؟!
همچنین، در ادامه باید به این موضوع پرداخته شود که در صورت پیش بینی پذیر بودن بازار سرمایه، باید به بررسی ابعاد مختلف بازار سرمایه و متدهایی که در هر زمینه برای پیش بینی ارائه شده است، پرداخت. در ادامه باید بررسی کرد که چه متدهایی کارایی لازم برای این پیشبینی را دارند و آیا ترکیب این متدها به صورت کلی ممکن است یا خیر. در ادامه خواهیم دید که میتوان ابزار به کار گرفته شده در پیش بینی تمام ابعاد بازار سرمایه را در سه دسته کلی متدهای تکنیکال، متدهای بنیادین و متدهای ریاضی، شامل متدهای کلاسیک سری زمانی و رگرسیون و متدهای هوش مصنوعی قرار داد.
در این پژوهش، با بررسی تمام موارد بالا و امکان سنجی تلفیق متدهای به کارگرفته شده جهت پیش بینی قیمت، به سؤالات مطرح شده پاسخ داده خواهد شد و برای اولین بار، به پیش بینی دو قیمت برای دورههای جلوتر پرداخته می شود؛ قیمت بالا و قیمت پایین سهام. به این وسیله، سفته بازان میتوانند با به کارگیری این متد، با دقت قابل قبولی به پیشبینی قیمت پرداخته و از طریق نوسان گیری، کسب سود کنند.
1-2- نظریه کارایی بازار سرمایهقبل از (فاما 1970)، همه فقط به دنبال پاسخ دادن به سؤالات سه گانه ذکر شده در بازار سرمایه بوده اند. با مطرح شدن نظریه کارایی بازار سرمایه فاما، سؤال بزرگ دیگری نیز پیش روی سرمایهگذاران و تحلیلگران قرار گرفت؛ آیا اصلا تحلیل و پیش بینی آینده بازار سهام ممکن است؟! فاما با طرح نظریه کارایی بازار سرمایه، بازار را متشکل از سرمایه گذارانی فرض کرد که همگی به اطلاعات یکسانی از گذشته و حال دسترسی دارند. اطلاعات سیاسی، اقتصادی، نهانی و … . در واقع برای باور کردن نظریه فاما حتی لازم نیست همه سرمایه گذاران به اطلاعات یکسانی دسترسی داشته باشند، تنها لازم است تعداد زیادی از سرمایه گذاران به این اطلاعات به صورت یکسان و مساوی دسترسی داشته باشند. زمانی که اطلاعات در دسترس مساوی باشند، ابزارهای تحلیل و پیش بینی نیز یکسان باشند؛ هیچ سرمایه گذاری نمیتواند سود غیر عادی کسب کند. برای مثال، اگر اولین نفری که اطلاعات نهانی دارد، قصد خرید یک سهم را بکند؛ در مدت زمانی که در پی انجام این امر است، فروشندگان از این اطلاعات مطلع شده و سهم خود را گرانتر از قبل میفروشند. لذا فرصت کسب سود غیر عادی وجود ندارد. تعریف دقیق و کامل بازار کارای سرمایه نیز عبارت است از: بازاری که سرعت انتقال اطلاعات در آن بسیار زیاد باشد. لذا فاما سه نوع از کارایی را تعریف میکند، بازار کارای ضعیف که سرعت انتقال اطلاعات در آن کم است ولی همچنان امکان کسب سود غیرعادی با استفاده از اطلاعات گذشته ممکن نیست. بازار کارای متوسط که سرعت نقل اطلاعات در آن زیاد است و امکان کسب سود غیر عادی با استفاده از اطلاعات حال ممکن نیست. بازار کارای قوی که سرعت انتقال اطلاعات در آن بسیار زیاد بوده و حتی دارندگان اطلاعات نهانی نیز فرصت کسب سود غیر عادی ندارند. در نهایت فاما نتیجه میگیرد که نوسان قیمت در بازار تصادفی بوده و امکان پیشبینی آن موجود نیست.
پس از مطرح شدن نظریه کارایی بازار سرمایه، سرمایه گذاران بازار سرمایه به دو دسته تقسیم شدند. دستهای که به کارایی بازار اعتقاد داشتند، به سرمایه گذاری های بلند مدت روی آوردند، دلیل این امر این بود که این دسته امکان کسب سود از طریق پیش بینی بازار را منتفی دانسته و لذا فرصتی برای کسب سود غیر عادی از طریق خرید و فروش کوتاه مدت وجود ندارد. دسته دیگر سرمایه گذاران به این نظریه اعتقاد ندارند و به آن انتقادهایی دارند. این دسته به پیش بینی بازار سرمایه اعتقاد داشته و لذا از مدلهای مختلفی برای این پیشبینیها استفاده کردهاند. این دسته، علاوه بر سرمایه گذاریهای بلند مدت، به سرمایه گذاریهای کوتاه مدت و میان مدت نیز پرداخته و از طریق خرید و فروشهای پیوسته، تلاش در کسب سود غیر عادی میکنند.
از جمله انتقادهایی که به نظریه کارایی بازار سرمایه وارد است، میتوان به قواعد مشهور بازار سرمایه اشاره کرد. از جمله این قواعد میتوان به پایین آمدن قیمتها به صورت عمومی در پایان هفتهها اشاره کرد؛ دلیل این امر این است که در روزهای تعطیل ممکن است اتفاقات ناخوشایندی رخ دهد که باعث افت شدید قیمتها در ابتدای هفته بعد منجر شود. قاعده دیگر پایین آمدن قیمتها در انتهای سال است. به صورت عمومی بازدهی سهامی که P/E بالاتری دارند، بالاتر است. این قواعد که به صورت عرف بازار درآمدهاند از جمله نقدهایی است که سرمایه گذاران به نظریه کارایی بازار سرمایه که پیش بینی را غیرممکن میداند وارد میدانند.
انتقاد دیگر سرمایه گذاران، این است که روندهای فصلی، دورهای و خطی و غیرخطی از طریق مدلهای اقتصادسنجی و سری زمانی کاملا قابل شناسایی و مشهود است. از نظر تجربی، بسیاری از سرمایه گذاران با استفاده از تحلیلهای تکنیکال و بنیادین به کسب سود میپردازند. (پوا 2008) در مقالهای به بررسی روندهای موجود در بازار سرمایه پرداخته و اظهار میدارد که از نقطه نظر عملی این نظریه صحیح نبوده و نظریه کارایی بازار سرمایه، در یک بازار کاملا ایده آل صحت دارد. لذا با توجه به انتقادهای ذکر شده و فرصتهای عملی درک شده در بازار توسط سرمایه گذاران، در این مقاله فرض پیش بینی پذیر بودن بازار سرمایه مورد قبول قرار گرفته و به اولین سؤال مطرح شده به این صورت پاسخ میدهیم.
1-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینیحال که به پیش بینی پذیر بودن بازار اعتقاد پیدا میکنیم، زمان پاسخ دادن به سؤالات سه گانه مطرح شده میرسد، چه سهمی، چه محدوده زمانی و چه قیمتی. برای پاسخ دادن به این سؤال از مدلهای بسیار متنوعی استفاده شده است. مدلهای که به پیش بینی سهم مورد نظر میپردازند عموما با استفاده از تحلیلهای بنیادین و روشهای کلاسیک پیش بینی مثل اقتصاد سنجی و سری زمانی مورد بررسی قرار میگیرند. مدلهایی که به محدوده زمانی میپردازند، در پی یافتن استراتژی خاصی برای معاملات هستند و از مدلهای تحلیل و پیش بینی تکنیکال یا مدلهای توسعه یافته هوش مصنوعی بهره میبرند. در پاسخ به سؤال چه قیمتی، دسته بسیار بزرگی از مدلها به کار میآیند. مدلهای کلاسیک، تحلیلهای بنیادی، تحلیلهای تکنیکی و الگوریتمهای هوش مصنوعی. در این مقاله ما به طور دقیق در پی پاسخ به سؤال سوم، یعنی پیش بینی قیمت هستیم، بیشترین گوناگونی در حوزه پیش بینی نیز در این حوزه است. در ادامه به اختصار به توضیح کوتاهی از انواع مدلهای پیش بینی و دلیل انتخاب شبکه های عصبی به عنوان مدل منتخب میپرازیم.
مدلهای پیشبینی قیمت سهام را میتوان به صورت کلی در سه دسته جای داد، تحلیلهای تکنیکال، تحلیلهای بنیادین و تحلیلهای با استفاده از الگوریتمهای هوش مصنوعی. تحلیل تکنیکال با مطالعه روند تغییرات گذشته قیمت سهام و با این پیش فرض که اتفاقات گذشته در آینده تکرار میشود به پیشبینی میپردازد. در واقع چارتیستها یا همان تکنیکال کاران اعتقاد دارند که تنها چیزی که قیمت سهام را تغییر میدهد میزان تقاضا و عرضه در بازار است. در واقع این دسته اعتقاد دارند که قیمت سهام تحت تأثیر هر عامل دیگر بنیادین اقتصادی که تغییر کنند، این عوامل تنها روی عرضه و تقاضا در بازار تأثیر دارند و لذا با پیش بینی این مقادیر میتوان قیمتها را نیز پیش بینی کرد. دو مدل کلی به کار گرفته شده توسط این دسته عبارتند از تطابق الگوها و استفاده از اندیکاتورها؛ الگوها در واقع روندهای تغییر قیمت در گذشته هستند که با توجه به اعتقاد به تکرار شدن آنها در آینده میتوان از انطباق آنها برای پیش بینی آینده استفاده کرد. اندیکاتورها نیز مدلهای ریاضی هستند که با استفاده از شاخصهای قیمتی مثل قیمت باز و بسته شدن و حجم مبادلات انجام شده، عرضه و تقاضا و در نهایت قیمت را پیشبینی مینمایند.
تحلیل بنیادین با شناسایی عوامل مؤثر بر قیمت سهام و تحلیل تأثیر هر کدام به پیشبینی قیمت میپردازد. فاندامنتال کاران یا همان استفادهکنندگان از تحلیل بنیادین اعتقاد دارند که عوامل بسیار زیادی در قیمت سهام تأثیر دارند. قیمتهای جهانی محصولاتی که کمپانیها تولید میکنند، قیمت مواد اولیه مورد نیاز آنها و سایر عوامل سیاسی و اقتصادی تأثیرگذار در فروش و سود کمپانی از جمله این عوامل هستند. به طور کلی تحلیلهایی که در این حوزه صورت میگیرند عبارتند از تحلیل صورتهای مالی که به دو صورت افقی (مقایسه صورتهای مالی در طی سالیان مختلف و تحلیل تغییرات آنها) و عمودی (تحلیل عناصر موجود در صورت مالی و مقایسه آنها و بررسی نسبتهای مالی) و همچنین مدلهای کلاسیک پیشبینی نظیر رگرسیون (پیدا کردن رابطه میان قیمت سهام و متغیرهایی که تعریف میگردند) و سری زمانی (شناخت سیکلها و روندهای موجود در قیمت سهام).
الگوریتمهای هوش مصنوعی که استفاده از آنها به سرعت در حال رشد میان سرمایه گذاران است در واقع تلفیقی از تمام روشهای پیش بینی ذکر شده با توانایی برازش منحنیهای غیرخطی با درجه بالا است. این الگوریتم ها قابلیت کار با تعداد زیادی از متغیرها و پیدا کردن رابطه مناسب میان این متغیرها را دارند. آنگونه که ذکر شد، عوامل تأثیر گذار در قیمت سهام بسیار زیاد هستند و مدلهای کلاسیک و تحلیلهای قدیمی و تجربی پاسخگوی این تعداد عوامل نیستند. برای پیش بینیهای کوتاه مدت عموما از مدلهای کلاسیک سری زمانی و تحلیل تکنیکال استفاده میشود، هر کدام از این دو، تعداد زیادی الگوریتم دیگر را شامل میشوند که کار جمع بندی و نتیجه گیری را دشوار میکند. الگوریتمهای هوش مصنوعی این قدرت را دارند که تمام این تحلیلها را با یکدیگر به وسیله وزن دهیهای بهینه ترکیب کرده و یک جواب یکتا و بهینه را ارائه دهد.
از میان الگوریتمهای هوش مصنوعی، استفاده از شبکههای عصبی در مبحث پیش بینی بسیار زیاد است. این امر به دلیل قابلیت شبکه عصبی در کار با تعداد زیادی متغیر، برازش بسیار دقیقی از سری زمانی، تحت تأثیر دادههای پرت قرار نگرفتن، عدم محدودیت برای درجه خاصی از غیرخطی بودن و انعطاف پذیر بودن شبکه در مقابل تغییرات پارامترهای مدل میباشد. از جمله اقبالی که به این مدلها شده است میتوان به تاوارس و همکاران (2010)، فاریا و همکاران (2009)، تسای و چیو (2009) و کارا و همکاران (2011) اشاره کرد که در تحقیقات خود، شبکههای عصبی را از مدلهای کلاسیک و دیگر الگوریتمهای هوش مصنوعی برتر میدانند. اولیویرا و همکاران (2013) در بررسی جامعی که روی بازار بورس برزیل انجام دادند، به این نتیجه رسیدند که شبکه عصبی از ماشینهای بردار پشتیبان (SVM) و سری زمانی در امر پیش بینی قیمت کارا هستند.
با توجه به دلایل ذکر شده و نتایج گرفته شده در سایر تحقیقات که قسمتی از آنها ذکر شد، در این مقاله، ما نیز شبکههای عصبی را جهت پیش بینی قیمت سهام انتخاب میکنیم. نکته مهم در استفاده از شبکههای عصبی این است که این شبکه ها در ابتدا با استفاده از 75 درصد داده ها (به صورت عمومی) وارد فرآیند یادگیری میشوند. در این مرحله به دلیل قابلیت بالای شبکه عصبی جهت برازش منحنیهای پیچیده، ممکن است شبکه مدل را پیچیدهتر از آنی که هست شناسایی کند. این امر باعث میشود که مقادیر پیشبینی به مقادیر واقعی نزدیکتر شوند و تخمین دقیقتری در مرحله آموزش صورت گیرد. نکته در اینجاست که حدی از تغییرات و اختلاف میان مقادیر پیش بینی و واقعی به خاطر تصادفی بودن این تغییرات است. در تمام مدلهای پیشبینی این جزء تصادفی وجود دارد ولی شبکههای عصبی برای تخمین این مقادیر، از تعداد متغیرهای زیادتری استفاده میکنند در حالی که این مقادیر تصادفی بوده و پیش بینی پذیر نیستند. این خاصیت که به آن بیش برازش میگویند بزرگترین مشکل شبکههای عصبی میباشد.
برای از بین بردن این بیش برازش، باید ورودیهای شبکه عصبی را کاهش داد. به عبارتی باید اجازه بیش برازش را به شبکههای عصبی نداد. در این مقاله برای این کاهش تعداد متغیرها از داده کاوی استفاده شده است. داده کاوی علم کاوش دادهها جهت کشف دانش است. علم داده کاوی با ارائه راهکارهای مختلف، اولین رکن استفاده از دادهها جهت کشف دانش را حذف دادههای اضافی و شاخ و برگهای غیر ضروری میداند و لذا در این مقاله از چند تکنیک داده کاوی که در ادامه شرح داده خواهد شد استفاده گردیده است. همچنین، همانگونه که ذکر شد، مدلهایی که برای پیش بینیهای کوتاه مدت مورد استفاده قرار میگیرند، مدل های سری زمانی و تحلیلهای تکنیکال میباشند. از آنجا که ما قصد پیش بینی قیمت بسته شدن سهام را به صورت روزانه داریم نیز، با تلفیق این دو مدل، با استفاده از اندیکاتورهای تحلیل تکنیکال و قیمتهای روزهای قبل به پیش بینی میپردازیم.
قسمت دوم این مقاله به تحقیقات مشابه، قسمت سوم به تعریف فرآیند و روش انجام تحقیق، قسمت چهارم به نتایج تحقیق، قسمت پنجم نتیجه گیری و قسمت ششم به منابع تخصیص یافته است.
1-4- پژوهشهای مشابهلو و همکاران (2014) پس از بررسی دلایل بیش برازش و تعمیم نامناسب شبکههای عصبی، با اعمال تغییراتی در شبکه عصبی و به کار بردن کلاسی از تأخیر سازنده RBF شبکههای عصبی؛ موفق شده است که شبکه عصبی با دقت بیشتر و البته تعداد نرون های کمتر در لایه پنهان شبکه عصبی ساخته و نتایج آن را در دنیای واقعی امتحان کرده است.
لاهمیری (2013) با به کاربردن تبدیلات گسسته ویولت (SWT) و تقسیم سری زمانی قیمتی به دو بخش ماژور و مینور، نتیجه میگیرد که بخش ماژور در واقع دارای فراوانی و پراکندگی پایین تری بوده و برای پیش بینی روند بلند مدت قیمت سهام مناسب است. وی پس از تبدیلات مذکور، با استفاده از شبکههای عصبی بازخور برگشتی، به پیش بینی قیمت سهام پرداخته و با بررسی تئوری خود در 15 پایگاه داده، نتیجه میگیرد که الگوریتم پیشنهادی وی از مدلهای ARMA و RW عملکرد بهتری دارد.
تیکنور (2013) با در نظر گرفتن قیمتهای روزانه و اندیکاتورهای تحلیل تکنیکال به عنوان ورودی شبکه عصبی، قیمت بسته شدن روز بعد را پیش بینی میکند. وی با بیان پیچیدگیهای موجود در روند تغییرات قیمت سهام و مشکلات پیش بینی آن، برای جلوگیری از بیش برازش و بیش آموزش پیشنهاد میکند که شبکه عصبی توسط الگوریتم بیزین کنترل شده و برای مدلهای با پیچیدگی بالا جریمه هایی تعیین گردد تا از بیش برازش و بیش آموزش جلوگیری شود. وی صحت ادعای خود را در سهامهای مایکروسافت و گلدمن به بوته آزمایش میگذارد.
بیسون (2014) با بیان این مسئله که سرمایه گذاری در بازار سهام، به دلیل بازده خوب آن همواره مورد توجه سرمایه گذاران بوده است؛ کسب بازده و سود مناسب در این بازار را منوط به دانستن و پیش بینی کردن نقاط بازگشت قیمت میدانند. لذا پیش بینی قیمت سهام در روزهای آینده را مهمترین امر در راه رسیدن به این مهم می داند. وی با استفاده از فیلتر کلمن، داده ها را پیش پردازش کرده و با شبکههای عصبی دینامیک به پیش بینی قیمت می پردازد. وی برای اثبات کارایی مدل پیشنهادی، چهار سهم از بازار سهام هند؛ بمبئی را انتخاب و بررسی کرده است.
الیویرا (2013) با مهم دانستن این مسئله که پیش بینی جهت تغییر قیمت سهام سهم به سزایی در تنظیم سیاستهای معامله گران دارد، پیشنهاد میکند که با استفاده از دادههای تاریخی در مدلهای ریاضی میتوان به صحت و دقت خوبی در پیش بینی رسید. وی با بیان این مسئله که سه نوع تحلیل سری زمانی، تکنیکال و فاندمنتال برای تحلیل داده های تاریخی به کار گرفته می شوند، شبکه عصبی طراحی میکند که دادههای ورودی آن، از ورودی های هر سه تحلیل ذکر شده میباشد. در واقع وی هر سه تحلیل را با هم یکی کرده و از قابلیت های هر کدام استفاده میکند. همچنین پیشنهاد میکند که استفاده محض از تمام دادهها باعث بیش برازش و پایین آمدن دقت شبکه میشود و لذا با استفاده از تکنیک های متعدد داده کاوی، داده ها را پیش پردازش میکند. وی صحت گفتههای خود را در بازار سهام برزیل تأیید میکند.
کارا و همکاران (2011) با بیان این مسئله که پیش بینی جهت تغییرات قیمت سهام امری چالش برانگیز و در صورت صحت بسیار پر سود است، بسط مدلهای ریاضی برای این مهم را به دلیل پیچیدگیهای ذاتی بازار سهام بسیار مشکل میداند. وی با استفاده از اندیکاتورهای تحلیل تکنیکال به عنوان ورودی، کارکرد و نتایج عملکرد دو الگوریتم دسته بندی شبکه های عصبی و ماشین های بردار پشتیبان را بررسی کرده و با مقایسه نتایج، کارکرد شبکه های عصبی را بهتر و مفید تر مییابد.
جاسمی و همکاران (2011) شبکههای عصبی را به همراه تحلیل تکنیکال و نمودارهای شمعی ژاپنی به کار می برد، وی در پژوهشی به جای اینکه با شبکههای عصبی قیمت و یا اندیکاتورها را پیش بینی کند، در صدد پیش بینی و برازش یک مدل رگرسیون میباشد که متغیرهای مستقل آن، اندیکاتورهای تکنیکی و متغیر مستقل آن روند کوتاه مدت قیمت است. اندیکاتورهای تکنیکی توسط دو روش دادههای خام و تحلیل تکنیکال به ترتیب به تعداد پانزده و بیست و چهار عدد تعریف شدهاند. در نهایت با آزمایش بر روی دادههای حاضر در یاهو فایننس به این نتیجه میرسد که نتایج پیش بینی به این روش بسیار کارآمدتر از متدهای کلاسیک است.
چانگ (2012) با ارائه مدل جدیدی از شبکههای عصبی تحت عنوان شبکه عصبی نیمه متصل به پیش بینی قیمت سهام به وسیله اندیکاتورهای تکنیکال میپردازد. این شبکه جدید، از نظر تابع فعال سازی، تعداد لایهها و اتصال نرونها با شبکه های عصبی معمول تفاوت دارد. نخست اینکه اتصال داشتن یا نداشتن دو نرون با هم تصادفی تعیین میگردد. تفاوت دوم در تصادفی بودن تعداد لایه ها نیز میباشد و سرانجام تابع فعال سازی نیز به جای سیگموید، تابع سینوسی انتخاب میگردد. وی برای اثبات کارآمدی الگوریتم پیشنهادی، آن را از سه نظر امتحان میکند. اوّل دقت پیش بینی آن را یعنی تفاوت مقادیر پیش بینی شده و مقادیر واقعی سنجیده، سپس از نظر بیش برازش با مدلهای معمولی شبکه عصبی مقایسه کرده و در نهایت عملکرد آن را با سایر الگوریتمهای رقیب مقایسه کرده است.
لو (2010) با این مقدمه که پیش بینی قیمت سهام و اساسا پیش بینی در تمام بازارهای مالی کاری سخت و چالش برانگیز است، استدلال میکند که این امر به دلیل وجود اغتشاش فراوان در میان دادههای پیش بینی کننده است. وی پیشنهاد میکند که با به کار بردن آنالیز متغیر مستقل یکپارچه؛ در ابتدا باید در میان دادههای پیش بینی کننده آنهایی که مستقل هستند را یافته، اغتشاش موجود در آنها را از بین برده و پس از آن ورودی ها را به منظور پیش بینی قیمت به شبکه عصبی داد. وی برای اثبات مدعای خود دو شاخص بازار بورس تایلند و نیکی را انتخاب کرده و با مقایسه عملکرد الگوریتم پیشنهادی با اغتشاش زدایی توسط امواج ویولت و سپس به کار بردن شبکههای عصبی بازخور بازگشتی و همچنین با شبکههای عصبی معمولی بدون فیلترینگ و همچنین قدم زدن تصادفی؛ الگوریتم پیشنهادی را کارا مییابد.
وانگ و همکاران (2011) نیز اظهار میدارد که پیش بینی قیمت سهام به دلیل بالا بودن تعداد متغیرهای مستقل امری مشکل و چالشی است. وی پیشنهاد میکند در ابتدا توسط الگوریتم WDBP با استفاده از ویولت اغتشاشات موجود میان داده ها از بین رفته و توسط شبکههای عصبی پس خور بازگشتی، پیش بینی انجام گیرد. همچنین برای اثبات الگوریتم پیشنهادی خود، آن را در بازار شانگهای به بوته آزمایش گذاشته و عملکرد بهتر الگوریتم پیشنهادی را نسبت به شبکه عصبی پس خور بازگشتی تصدیق مینماید.
1-5- ضرورت انجام تحقیق و اهمیت تحقیقهمانگونه که پیشتر و در ادبیات موضوعی دیده شد، پیش بینی قیمت بالا و قیمت پایین برای یک دوره جلوتر، پیش از این انجام نشده است و خلاء وجود مدلی برای پیش بینی که به طور عملی قابل استفاده باشد، احساس می شود. پیش از این، در پژوهش های مشابه، تنها قیمت بسته شدن پیش بینی می شده است و این در حالی است که پیش بینی کننده سهم، ممکن است مالک سهام نباشد. در این حالت، پیش بینی کننده توانایی عملی برای استفاده از مدل را ندارد. دلیل این امر این است که وی احتمالا مجبور است، سهام را با همان قیمتی که پیش بینی می کند، خریداری کند. لذا در این پژوهش، به پیش بینی دو قیمت بالا و پایین پرداخته شده و توسط آن، پیش بینی کننده این فرصت را دارد که در قیمت پایین سهام را خریداری کرده و در قیمت بالا آن را بفروشد.
1-6- اهداف تحقیقاهداف اصلی این پژوهش عبارتند از :
شناسایی مؤثرترین اندیکاتورهای تحلیل تکنیکال برای پیش بینی قیمت سهام مورد نظر
داده کاوی سری های زمانی برای تشخیص شبیه ترین سری زمانی به سری زمانی هدف، جهت پیشبینی تغییرات آینده سهام هدف، با استفاده از تغییرات گذشته قیمت سهم مشابه
طراحی و ساخت شبکه عصبی برای پیش بینی قیمتهای بالا و پایین سهام مورد نظر
1-7- ساختار تحقیقدر ادامه این پژوهش و در فصل دوم، به معرفی شبکه های عصبی و انواع آن، داده کاوی و نقش آن در پیش پردازش داده ها و داده کاوی سریهای زمانی و اندیکاتورهای تحلیل تکنیکال میپردازیم. در فصل سوم به بیان روش تحقیق انجام شده با جزئیات کامل، شامل مراحل سه گانه پیش پردازش و ساخت اطلاعات و ابزارهای به کارگرفته شده در هر مرحله، معماری شبکه عصبی و الگوریتمهای فعال سازی و همچنین الگوریتمهای رقیب خواهیم پرداخت. در فصل چهارم، نتایج عملی به دست آمده از داده کاوی سریهای زمانی و ساخت شبکه عصبی، به تفصیل توضیح داده میشود و نتایج به دست آمده، با نتایج الگوریتمهای رقیب مقایسه می گردد. در انتها و در فصل پنجم، به بررسی نتایج و پیشنهادات برای تحقیقات آتی خواهیم پرداخت
فصل دوم
ادبیات تحقیق
2-1- مقدمه بازارهای مالی به دلیل خصوصیات منحصر به فردی نظیر عدم نیاز به سرمایه کلان، سادگی و کم هزینه بودن معاملاتشان و عدم وجود ریسک نکول، در عصر اخیر به یکی از پرطرفدارترین حوزههای سرمایه گذاری تبدیل شدهاند. حکومتها و دولتها نیز به این دلیل که میتوانند با گرد هم آوردن سرمایههای اندک و سرمایه های کلان، بودجههای عظیمی برای امور کشوری فراهم کنند، همواره به گسترش این بازارها کمک کرده و با تصویب قوانین متعددی از جمله معافیتهای مالیاتی در تلاش برای کشاندن پس اندازهای مردم به این بازارها بوده اند. به دلیل همین خصوصیات، حجم عظیمی از سرمایه گذاران به این حوزه وارد شده و این بازارها با سرعت چشمگیری نیز در حال رشد هستند. این حجم زیاد سرمایه گذاران، برای کسب سود از این بازارها وارد آن شده و لذا همواره به دنبال راههایی برای افزایش دامنه سود خود بوده اند. این مسئله باعث شده است که سرمایه گذاران همواره به دنبال پیش بینی اتفاقات آینده و قیمت ها در بازار بوده و از این طریق کسب سود کنند؛ به همین دلیل است که همزمان با رشد این بازارها، مدل های بسیار متنوعی برای پیش بینی بوجود آمده و در حال گسترش نیز هستند. به طور کلی شاید بتوان سرمایه گذاران را به دو دسته تقسیم کرد، آنها که به مدل کارایی بازار سرمایه اعتقاد داشته و به پیش بینی این بازارها معتقد نیستند؛ و آنهایی که به روشهای مختلفی به پیش بینی در این بازارها می پردازند. در مورد نظریه کارایی بازار در ادامه به تفسیر سخن گفته خواهد شد و لذا در ادامه به مرور روشهای متنوعی که برای پیش بینی قیمت سهام بوجود آمده و به کار گرفته شده اند خواهیم پرداخت. به صورت کلی میتوان گفت که تلاش برای پیش بینی بازارهای مالی در سه حوزه اتفاق افتاده است، حوزه اول به بررسی ساختار بازار، سهام موجود در آن و صنایع پرداخته و با شناسایی ویژگی های خاص این بازارها به تشخیص و معرفی صنایع و یا سهام برتر پرداخته و سرمایه گذاران را از این طریق یاری میکنند. حوزه دوم به ایجاد یک مدل برای استراتژیهای سرمایه گذاری پرداخته و سعی دارند با شناسایی نقاط خرید و فروش سهام، کاری کنند که سرمایه گذاران در کمترین قیمت خرید و در بیشترین قیمت اقدام به فروش نمایند. حوزه سوم اما به پیش بینی قیمت سهام میپردازند، جایی که بیشترین گستردگی استفاده از الگوریتمها و مدلهای مختلف در آن وجود دارد. این حوزه را میتوان به صورت کلی در سه بخش یا سه دیدگاه دید؛ تحلیل تکنیکال، تحلیل بنیادین و تحلیل با مدلهای هوش مصنوعی. در ادامه به توضیح مختصری در مورد هر یک از این دیدگاه ها خواهیم پرداخت.
2-1-1- تحلیل تکنیکی
روشی برای پیشبینی قیمتها در بازار از طریق مطالعه وضعیت گذشته بازار است. در این تحلیل از طریق بررسی تغییرات و نوسانهای قیمتها و حجم معاملات و عرضه و تقاضا میتوان وضعیت قیمتها در آینده را پیشبینی کرد. این روش تحلیل در بازار ارزهای خارجی، بازارهای بورس اوراق بهادار و بازار طلا و دیگر فلزات گرانبها کاربرد گستردهای دارد.
این نوع تحلیل با استفاده از مطالعه رفتار و حرکات قیمت و حجم سهام در گذشته و تعیین قیمت و روند آینده سهم صورت میپذیرد. تغییرات قیمت سهم با استفاده از پیشینه تاریخی و نمودار توسط تحلیل گر تکنیکی مورد تجزیه و تحلیل قرار میگیرد. این روش بیشتر مورد استفاده سفتهبازان قرار میگیرد و بدین صورت قصد دارند تا بازده مورد نظر خود را در هنگام بالا رفتن قیمت سهم افزایش دهند. در واقع سرمایه گذاران با دیدگاه کوتاه مدت از این روش بهره میجویند.
تحلیل تکنیکی (فنی)، با آزمون قیمتهای گذشته و حجم مبادلات حرکتهای آینده، قیمت را پیش بینی میکند. اساس این تحلیلها بر استفاده از نمودار و رابطههای ریاضی و هندسی متمرکز است تا بدین گونه روندهای کوچک و بزرگ بدست آید. در این راستا فرصتهای خرید یا فروش از راه برآورد محدوده نوسانات بازار مشخص میشود.
2-1-2- تحلیل بنیادینتحلیل بنیادین یک شرکت شامل تحلیل گزارشات مالی و سلامت مالی شرکت، مدیریت و امتیازات رقابتی، رقبا و بازارهای مربوطه است. هنگامیکه این تحلیل در بازارهای آتی و فارکس به کار میرود، تمرکز اصلی بر شرایط اقتصادی، نرخ بهره، تولید، سودآوری و مدیریت است. وقتی سهام، قراردادهای آتی یا ارز مورد تحلیل بنیادین قرار میگیرد، دو رویکرد اساسی وجود دارد: تحلیل پایین به بالا و تحلیل بالا به پایین. این عبارات جهت تمیز دادن چنین تحلیلهایی از سایر تحلیلهای سرمایه گذاری نظیر تحلیلهای کمی و تکنیکی است. تحلیل بنیادین بر اساس دادههای گذشته و فعلی با هدف پیش بینی مالی انجام میپذیرد. اهداف متعددی برای این تحلیل وجود دارد. تعیین ارزش سهام شرکت و پیش بینی تغییرات آتی قیمت، برآورد عملکرد تجاری و ارزیابی مدیریت و اتخاذ تصمیمات داخلی جهت محاسبه ریسک اعتباری در تحلیل بنیادین اساس پیش بینی بر مبنای وقایع و رخدادهای واقعی پایه گذاری شدهاست. معامله گر با تحلیل اتفاقات و اخبار دنیای واقعی و بر اساس دانش و استراتژی خود، به پیش بینی بازار میپردازد. استراتژی روش محاسبه نقاط ورود به بازار و خروج از آن است. پایه نظر تحلیل گران بنیادی این است که تمام تغییرات در قیمتها حتماً یک علت اقتصادی بنیادی دارد.
2-1-3- تحلیل توسط مدلهای علمیمدلهای علمی بسیار متنوعی برای استفاده در پیش بینی، در چند دهه اخیر معرفی و به کارگیری شدهاند. از مدلهای کلاسیک پیش بینی رگرسیونی گرفته تا متدهای متنوع و به روزی که در سریهای زمانی معرفی می شوند؛ از جمله کارهای ارزشمند استفاده شده در این عصر هستند. در سال های اخیر اما، استفاده از الگوریتم های کلاسیک معرفی شده کمتر شده و خبرگان مالی به استفاده از روشهای نوین معرفی شده توسط علم هوش مصنوعی روی آوردهاند. دلیل این امر این است که پیچیدگی بسیار زیاد بازار سهام، استفاده از مدلهای خطی را محدود کرده است. در واقع رفتار غیر خطی کاملا در قیمت سهام مشخص بوده و تخمین آن با متدهای خطی باعث ایجاد خطای زیادی میگردد. در این میان، استفاده از الگوریتمهای کلاسیک غیرخطی نیز کارایی چندانی ندارند. دلیل این امر نیز این است که در این متدها باید مدلی که قرار است به دادهها برازش شود باید از قبل معلوم باشد و همچنین این مدلها دارای محدودیت زیادی در شکل و پیچیدگی هستند و لذا استفاده از این مدلها، به مراتب حتی از مدلهای خطی نیز کارایی کمتری دارند. در این میان، حجم بالای دادههای موجود و محدودیتهای مدلهای کلاسیک نیز از جمله مشکلات دیگری است که این حوزه را به سمت استفاده از مدلهای هوش مصنوعی سوق داده است.
علم هوش مصنوعی با معرفی ابزارهای بسیار متنوعی مثل شبکههای عصبی ، ماشین بردار پشتیبان و الگوریتمهای فراابتکاری امکانات بی نظیری را برای کار با داده های فراوان، تخمین مدلهای بسیار پیچیده و سرعت عمل بالا در برازش فراهم آورده و به همین دلایل با اقبال بسیار زیادی روبرو شده است. در این میان، قابلیت استفاده از شبکههای عصبی برای پیش بینی قیمت بسیار بالاتر از ابزارهای دیگر است. دلیل این امر این است که این شبکهها قابلیت تخمین مدلهای پیچیده تر و کار با تعداد داده های بسیار زیادتر را دارد. در تحقیقات انجام شده عصر حاضر نیز بیشترین استفاده از مدلهای هوش مصنوعی در حوزه پیش بینی سهام، به استفاده از این شبکه ها باز میگردد.
نکته مهمی که در مورد این شبکهها وجود دارد این است که این شبکهها اغلب دارای بیش برازش میگردند. به این معنا که مدل را حتی از حد واقعی خود نیز پیچیده تر تخمین میزنند. برای جلوگیری از این اتفاق، باید معماریهای مناسبی را برای شبکه انتخاب کرده و الگوریتم های یادگیری را نیز به درستی استفاده کرد. علاوه بر این لازم است که میزان اطلاعات ورودی به این شبکه نیز محدود شده و پیچیدگیهای احتمالی را از بین ببرد. در مورد شبکه های عصبی و معماری ها و الگوریتمهای یادگیری آنها در ادامه به تفصیل پرداخته خواهد شد، اما در مورد کاهش حجم ورودی ها و به گزین کردن آنها، از علم داده کاوی استفاده می شود. این علم میان رشته ای با ابزارهای بسیار متنوعی که تعریف میکند، قابلیت های بی نظیری را برای پیش پردازش داده ها و توصیف مجموعه داده ها معرفی میکند. این علم نیز در ادامه به تفصیل توضیح داده خواهد شد. شکل (1) مروری کلی بر بخش مقدمه و تحلیل های ممکن در بازار سرمایه را نشان می دهد :
شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایههمانگونه که ذکر شده؛ بررسیهای انجام شده در بازار سرمایه در سه حوزه کلی شناسایی سهام مناسب برای سرمایه گذاری، شناسایی و به کارگیری استراتژی مناسب برای خرید و فروش در بازار و پیش بینی قیمتهای آینده سهام قرار میگیرند. همچنین، به صورت کلی تحلیلهای ممکن در مورد قیمت سهم در آینده در سه بخش تحلیل تکنیکی، تحلیل بنیادین و تحلیل توسط متدهای ریاضی قرار میگیرند. متدهای ریاضی نیز در دو دسته متدهای کلاسیک و متدهای هوش مصنوعی قرار گرفته و بررسی می شوند. در ادامه این تحقیق، در ابتدا به بررسی امکان پیش بینی و نظریه کارایی بازار سرمایه پرداخته و سپس به توضیح شبکه عصبی و داده کاوی پرداخته خواهد شد.
2-2- آیا بازار سرمایه پیش بینی پذیر است؟2-2-1- نظریه کارایی بازار سرمایهبیش از ربع قرن است که توجه استادان مالی و اقتصادی دانشگاهها متوجه کارایی بازار سرمایه (Capital Market Efficiency) در کشورهای مختلف شده است. برای کشورهای سرمایهداری، کارا بودن بازار از اهمیت زیادی برخوردار است، چرا که در صورت کارا بودن بازار سرمایه، هم قیمت اوراق بهادار به درستی و عادلانه تعیین میشود و هم تخصیص سرمایه که مهمترین عامل تولید و توسعه اقتصادی است، به صورت مطلوب و بهینه انجام میشود. در دنیای مالی سه سطح کارایی بازار وجود دارد:
کارایی اطلاعاتی
کارایی تخصیصی
کارایی عملیاتی
2-2-1-1- کارآیی اطلاعاتی
وجود اطلاعات کافی در بازار و انعکاس به موقع و سریع اطلاعات، بر روی قیمت اوراق بهادار، ارتباط تنگاتنگی با کارایی بازار دارد. در بازار کارا، اطلاعاتی که در بازار پخش میشود به سرعت بر قیمت تأثیر میگذارد. در چنین بازاری قیمت اوراق بهادار به ارزش ذاتی آن نزدیک است، به عبارت دیگر، ویژگی مهم بازار کارا این است که قیمت تعیین شده در بازار، شاخص مناسبی از ارزش واقعی اوراق بهادار است. بنابراین بازار کارا به بازاری اطلاق میشود که در آن قیمت اوراق بهادار از قبیل قیمت سهام عادی منعکسکنندة تمام اطلاعات موجود در بازار یاد شد.
بازار کارا باید نسبت به اطلاعات جدید حساس باشد. اگر اطلاعات تازهای به اطلاع عموم برسد قیمت سهام عادی شرکت متناسب با جهت اطلاعات یاد شده تغییر خواهد کرد. اگر بازاری نسبت به اطلاعات جدید بیتفاوت باشد و عکسالعمل لازم را نشان ندهد؛ یعنی تحلیلکنندهای در بازار برای ارزیابی و بررسی اثر اطلاعات جدید بر قیمت نباشد، طبعاً آن بازار کارآیی نخواهد داشت.
کارآیی اطلاعاتی به نوبة خود به سه شکل ضعیف، نیمهقوی و قوی تقسیم میشود:
شکل ضعیف: انعکاس اطلاعات در قیمت سهام ممکن است در سطحی نازل و به اصطلاح در شکل ضعیف آن مطرح باشد. در این سطح از کارایی، قیمتهای اوراق بهادار فقط اطلاعاتی را که در گذشته قیمتها نهفته است و از توالی تاریخی قیمتها حاصل میشود، منعکس میکنند، و این اطلاعات بلافاصله در قیمتهای جاری منعکس میشوند. در این حالت فرض میشود قیمت اوراق بهادار فقط منعکسکننده روند تاریخی قیمت سهام است و قادر نیستیم روند آینده قیمت سهام را پیشبینی کنیم؛ قیمت سهام روند خاصی ندارد. بازار سهام حافظهای ندارد؛ یعنی قیمت سهام در بازار کارا به شکل تصادفی تغییر میکند. این همان نظریه گشت تصادفی است. اگر این نظریه صحت داشته باشد، آن دسته از سرمایهگذاران که براساس نمودار سهام را انتخاب میکنند، راه خطا میروند. (اصولا دو گروه تحلیلگر در بازارهای سرمایه داریم: چارتیستها بنیادگراها)
چارتیستها معتقدند که امکان محاسبه ارزش ذاتی سهام و اوراق قرضه وجود ندارد. باید انتخاب سهام و اوراق قرضه وجود ندارد. باید انتخاب سهام را براساس نمودار انجام دهیم. میگویند بازار دستخوش حالتهای شبهروانی میشود. همچنین میگویند با بررسی روند گذشته قیمتها میتوان روند آینده را پیشبینی کرد. آدمی خبره میتواند این روند را تشخیص دهد. استادان مالی دانشگاهها به این گروه ایراد میگیرند و میگویند آنها فالگیران حرفه مایند، گروه اخیر هوادار بررسیهای بنیادیاند. معتقدند هر سهم ارزش ذاتی دارد، و برای تعیین آن ارزش، میباید با اتکا به همه مطالعات موجود به مطالعه عمیق و بنیادی شرکت و کل اقتصاد پرداخت. چارتیستها در برخورد با نظریات و استدلالهای بنیادگراها موضعی دفاعیتر گرفته میگویند: هدف ما تعیین تغییرات بلندمدت ارزش سهام نیست؛ باید به دنبال استفاده از فرصتهای کوتاهمدت بود؛ سودهای آتی را باید دنبال کرد. مطالعات دانشگاهیان نشان داده است که با احتساب هزینههای کمیسیون خرید و فروش، سود کسی که از نمودار استفاده میکند، بیش از کسی نیست که برحسب تصادف سهام را میخرد. البته، هر دو گروه معتقدند که بازار تغییر قیمت دارد و مقداری از این تغییر لحظهای است و حاصل عدم تعادل بین عرضه و تقاضا در لحظه خاص است و به ارزش بلندمدت سهام ربطی ندارد. بقیه تغییرات میانمدت و بلندمدت است. چارتیستها میگویند ما میتوانیم منحنی بالا و پایین رفتن قیمت سهام را ترسیم کنیم، و یک راه پولدار شدن این است که معین کنیم در چه زمان باید سهام را خرید و در چه زمانی آن را فروخت. بنیادگراها میگویند مشکل این استکه نمیدانیم چه وقت قیمت، پایینتر است که بخریم و چه وقت بالاترین است که بفروشیم. اینان میگویند میزان بازده بهدست آمده به پذیرش خطر مربوط میشود. اینان نمیگویند میلیونر شدن در بازار بورس ممکن نیست؛ اما عقیده دارند میلیونر شدن از روی نمودار امکان ندارد، چنین کاری در بازار کارامد فقط به اقبال افراد بستگی دارد. در بازار کارامد نمیتوان پیوسته بازدهی بهتر از بازار بهدست آورد. در کوتاهمدت میشود، اما آن هم صرفاً به اقبال بستگی دارد و نه به خبرگی و چارت.
پس، در شکل ضعیف نظریه کارایی بازار، فرض بر این است که قیمتهای سهام بازتاب آن اطلاعاتی است که در تاریخچه گذشته قیمتهای سهام نهفته است؛ مثلاً، اگر الگویی فصلی در قیمتهای سهام یافت شود، مثلاً کاهش قیمتها در آخرین روز معامله سال و آنگاه افزایش آن در اولین روز معامله سال جدید، بازار، این الگو را بهسرعت شناسایی، و با تعدیل قیمت، اثر این پدیده را خنثی میکند. با پیشبینی افزایش قیمت در روز اول سال جدید، کارگزاران خواهند کوشید که در همان لحظههای اولیه افتتاح بورس در سال نو، از این تفاوت استفاده کنند. تلاش آنها برای خرید، باعث افزایش قیمت در همان دقایق نخستین میشود. کارگزاران پختهتر و باهوشتر فرامیگیرند که کار درستتر، خرید سهام در آخرین روز پایانی سال قبل است، چراکه در این ساعت قیمتها پایینتر است. تلاش آنان برای خرید در روز آخر باعث افزایش قیمتها میشود، و دامنه کاهش قیمت در روز آخر را کاهش میدهد. این روند خرید زودتر و زودتر آنقدر ادامه مییابد تا اثری از بالا رفتنهای عمده و پایینآمدنهای بزرگ در نمودار قیمتها باقی نماند. هر نوع الگوی مشابه و حتی پیچیدهتری در طول زمان حذف میشود، تا آنجا که امکان هر نوع پیشبینی روند آینده از الگوی گذشته ناممکن شود. وقتی به این مرحله از کار برسیم، شکل ضعیف نظریه بازار کار تحقق یافته است.
شکل نیمهقوی: این سطح از نظریه میگوید که قیمت سهام، منعکس کننده همه اطلاعات عام و منتشر شده است. در اینجا، اطلاعات عام محدود به قیمتهای گذشته نیست و دربرگیرنده هر اطلاعاتی درباره عملکرد شرکت و مشخصات صنعتی است که آن شرکت در آن فعالیت میکند.
بورسهای معروف دنیا معمولاً از شرکتها میخواهند که اطلاعاتی درباره تمامی اوضاع شرکت را به اطلاع عموم برسانند. در بازار کارا در شکل نیمهقوی، قیمت بلافاصله با ورود اطلاعات جدید متأثر میشود؛ مثلاً در بورس نیویورک، اگر قیمت سهم جنرال موتورز x دلار است، این رقم با توجه به همه اطلاعاتی است که درباره این شرکت منتشر شده است، و اگر اطلاعات تازهای درباره این شرکت و یا صنعت و کل اقتصاد برسد، در یک بازار کارا، بلافاصله تعدیل قیمت صورت میگیرد. این کارایی کمک بزرگی به سرمایهگذاران است، بهویژه آنهایی که کاری با بورس ندارند، و نیز برای کسانی که شناختی همهجانبه از امور مالی ندارند. اگر تعدیل قیمت بلافاصله پساز رسیدن اخبار و وقوع حوادث رخ ندهد (که مثلاً در بورس تهران رخ نمیدهد) این نشانه عدم کارایی بازار وعدم استقرار نیروهای بازار در آن موقعیت است.
شکل قوی: در این حالت فرض آن است که تمام اطلاعات مربوط و موجود، اعم از اطلاعات محرمانه و اطلاعات در دسترس عموم (جاری) در قیمت اوراق بهادار انعکاس مییابد. قیمت اوراق بهادار حتی منعکس کننده تمام اطلاعات محرمانه جاری و تاریخی است. این دیگر گستردهترین مفهوم از کارایی است؛ در این شکل، اگر اتفاقی در شرکت بیفتد دیگر نمیشود گفت که فقط مدیرعامل آن را میداند و دیگران از آن بیاطلاعند. در این زمینه، قیمت سهام شرکت مورد نظر بلافاصله در برابر این اتفاق واکنش نشان میدهد، چرا که دیگر اطلاعات محرمانهای (معامله به اتکای اطلاعات محرمانه در بسیاری از کشورها جرم، و حتی جرم جنایی به شمار میرود و در صورت اثبات، مشمول جرائم سنگین و پرداخت خسارت میشود) نباید در میان باشد.
در چنین شرایطی، فرض این است که سیستمهای کنترل داخلی شرکت به قدری قوی است که کسی نمیتواند اطلاعات محرمانه یا اطلاعات اختصاصی، داشته باشد. وقتی مثلاً مدیرعامل یا هیأتمدیره از امری باخبر میشوند، بلافاصله بقیه نیز آن را میشنوند و چون همه خبر دارند، قیمت به سرعت تأثیر میپذیرد و بنابراین، اطلاعات به ظاهر محرمانه دیگر ارزش چندانی برای آن مدیرعامل و سایر مدیران عالیرتبه ندارد. (معمولاً معامله سهام توط مدیران ممنوع نیست، ولی آن معاملهها میباید به اطلاع ضابطان و مسئولان رسانده شود. به علاوه، مدیرانی که سهم شرکت خود را میخرند یا میفروشند، نباید به سرعت این کار را انجام دهند. معمولاً برای این کار فاصله زمانی تعیین میشود؛ مثلاً ٦ ماه، یعنی حداقل بین خرید و فروش ٦ ماه فاصله زمانی لازم است و چنین فاصلههایی مجاز است و میباید به اطلاع عموم هم برسد) شکی نیست که این نوع کارآیی فقط در کتابها یافت میشود، و حتی در بورسهای بسیار معتبر هم واقعیت نمییابد؛ یعنی آنهایی که دسترسی دست اول به اطلاعات دارند، بازدهی سرمایهگذاریشان بیش از عامه مردم و سرمایهگذاران معمولی است. اگر بازار به شکل قوی کارا نباشد، کسی که سرمایه دارد و اطلاعاتش از بقیه بیشتر است و افراد خبرهای رای تحلیل این اطلاعات خاص در دسترس دارد، قاعدتاً بازده بیشتری بهدست میآورد. البته، کسانی هم هستند که غیر از اشاره به شواهد تجربی، معتقدند که شکل قوی بازار کارامد سرمایه عملی نیست، چون تمایز بین اطلاعات محرمانه و غیرمحرمانه میسر نیست، و بهعلاوه از شدت محرمانه بوددن اطلاعات در طول زمان کاسته میشود. چهبسا موضوعی که امروز محرمانه است، فردا غیرمحرمانه تلقی شود. به علاوه، هنوز آزمون دقیقی که آشکارا بیانگر تأثیر اطلاعات محرمانه بر قیمت اوراق بهادار باشد، به اجرا درنیامده است؛ یعنی بهطور عملی روشن نشده که چنین تأثیری وجود دارد.
هرچه از سطح ضعیف نظریه به سمت سطح قوی نزدیک میشوید، انواع مختلف تحلیلهای سرمایهگذاری در تعیین مرز بین سرمایهگذاریهای سودآور و غیرسودآور اثر خود را از دست میدهند و کمرنگتر میشوند.
اگر شکل ضعیف معتبر باشد، تحلیل فنی یا تحلیل نمودار قیمت سهام بیاثر میشود. وقتی حرکت قیمت سهام از الگوی خاصی تبعیت میکند، استفادهکننده از نمودار (چارتیست) نتیجه میگیرد که سهام در آینده جهت معینی خواهد داشت. درواقع، چارتیست از فنون مختلف برای ارزیابی رشته قیمتهای قدیم سهام سود میجوید تا رشته قیمتهای آینده سهام را برآورد کند. اگر شکل ضعیف بازار کارا برقرار باشد، اطلاعاتی در قیمتهای گذشته سهام وجود ندارد که در پیشبینی آینده بهکار آید. هر اطلاعی که بوده توسط هزاران چارتیست قابل در مناطق مختلف تحلیل شده، و به اتکای آن تحلیلها خرید و فروش صورت گرفته است. از اینرو، قیمت سهام به سطحی میرسد که دربرگیرنده همه اطلاعات مفید منعکس در قیمتهای گذشته سهام است.
اگر شکل نیمهقوی فرضیه بازار کارا مورد نظر باشد، هیچ تحلیلی به شما کمک نمیکند که بازدهی بهتر از بقیه به دست آورید. تا زمانی که تحلیل شما به اطلاعات عام منتشر شده متکی است، مثلاً تحلیل صورتهای حسابداری شرکت، دیگر تحلیل کارساز نیست و نمیتواند به تمایز بین سرمایهگذاری سودآور و غیرسودآور منجر شود. این صورتها را قبلاً هزاران تحلیلگر دیگر مورد بررسی قرار دادهاند؛ آن تحلیلگران به اتکای آنچه یافتهاند، عمل کردهاند، و قیمت جاری سهام اکنون بازتاب تمام اطلاعات مربوطی است که در صورتهای مالی یافت میشود. همین مسئله در مورد سایر منابع اطلاعات عمومی منتشر شده صدق میکند.
2-2-2- فروض نظریه کارایی بازارشرایط بازار رقابت : آنچه در کتابهای اقتصاد درمورد شرایط برقراری رقابت در بازار مطرح است، مطالبی است که در این مورد قابل ذکر است. نکتههایی از قبیل تعداد فراوان و کافی عرضهکننده و تقاضاکننده در بازار، و یا آزاد بودن ورود و خروج به بازار برای همه مردم، و نبودن مانع و شرط و شروطی برای این کار، شرط مهم حضور تعداد بسیاری شرکتکننده در بازار است؛ یعنی بازار وقتی کارا میشود که تعداد افرادی که اقدام به خرید و فروش میکنند بسیار زیاد باشد. در بازاری که معامله کم انجام میشود و افراد مشارکتکننده در آن کم باشند کارآیی وجود ندارد.
اطلاعات رایگان : اطلاعات باید به سرعت و فوریت و با حداقل هزینه به اطلاع دستاندرکاران بازار برسد.
امنیت معاملات : کسی که در این بازار خرید و فروش میکند باید احساس امنیت کند و اطمینان بیابد که آنچه بابت اوراق بهادارش دریافت یا پرداخت میکند، به ارزش ذاتی آن نزدیک است؛ یعنی قیمت عادلانهای برای کالای خود دریافت میکند.
Related posts: