چکیده

سرمایه گذاری در سهام، از گزینههای پرطرفدار سرمایهگذاران میباشد، به همین دلیل پیشبینی قیمت سهام به موضوع مهمی در اقتصاد تبدیل شده است. از جمله روشهای پرکاربرد پیشبینی قیمت سهام سیستمهای هوشمند غیرخطی همچون شبکههای عصبی مصنوعی و شبکههای

عصبی فازی است. در این مقاله به طراحی و ارائهی یک مدل پیشبینی قیمت سهام با استفاده از شبکهی عصبی مصنوعی۲ و شبکه-ی عصبی فازی۳ پرداخته شده است. پیشبینی قیمت در مورد شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در صنعت سیمان انجام شد. پس از طراحی

مدل شبکه عصبی مصنوعی و شبکه عصبی فازی، نتایج دو مدل باهم مقایسه شد و نتایج نشان داد که مدل شبکه عصبی فازی از دقت بیشتری نسبت به شبکه عصبی مصنوعی در پیشبینی قیمت سهام برخوردار است.

کلمات کلیدی: پیشبینی، قیمت سهام، روش شبکه عصبی، شبکه عصبی فازی

-۱ دانشجوی کارشناسی ارشد مدیریت بازرگانی-مالی دانشگاه یزد، نویسنده مسئول:
۲–Artificial Neural Networks 3- ANFIS

مقدمه

اهمیت بازار سرمایه در طول چند سال اخیر با توجه به رشد و توسعه بازار سرمایه کشور و معرفی ابزارها، و پدیدههای نو در آن، دو چندان شده است. سرمایهگذاری در تحول اقتصادی کشور نقش بسزایی دارد، بورس یکی از مناسبترین جایگاهها جهت جذب سرمایههای کوچک و استفاده از آنها جهت رشدیک شرکت، در سطح کﻻن و نیز رشد شخصی فرد سرمایهگذار است. بی تردید امروزه

بیشترین مقدار سرمایه از طریق بازارهای بورس در تمام جهان مبادله میشود. اقتصادهای ملی به شدت متأثر از عملکرد بازار بورس است. بازارهای بورس نه تنها از پارامترهای کﻻن، بلکه از هزاران عامل دیگر نیز متأثر میشوند. تعداد زیاد و ناشناخته بودن عوامل مؤثر بر بازار بورس موجب عدم اطمینان در زمینه سرمایهگذاری شده است. بنابراین به طور طبیعی تمام تﻻش سرمایهگذار کاهش عدم اطمینان است و از این جهت پیشبینی بازار بورس یکی از ابزارهای کاهش عدم

اطمینان میباشد ( آذر و افسر، .(۱۳۸۵ از آنجایی که هدف سرمایهگذاری، به تعویق انداختن مصرف جهت مصرف بیشتر و بهتر در آینده است، افراد با سرمایهگذاری انتظار دستیابی به سود مورد نظر خود را دارند. بنابراین مهمترین امر در این زمینه خرید یک سهم به قیمت پایین و فروش آن به قیمت باﻻتر است که این موضوع به معنی پیشبینی قیمت سهام است. امروزه در موضوعات اقتصادی،

پیشبینی به عنوان یک موضوع مهم در شاخههای علمی مطرح شده است.پیشبینی عبارت است از فرآیند ایجاد تصویر از آینده با استفاده از دادههای موجود. پیشبینی قیمت سهام یکی از مسائل مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران این حوزه را به خود جلب کرده است. اهمیت این موضوع به این دلیل است که پیشبینی قیمت سهام در بازارهای مالی یکی از متغیرهای مهم در زمینه تصمیمهای سرمایهگذاری است. افراد از پیشبینی برای تصمیمگیری و برنامه ریزی

 

برای آینده استفاده میکنند. مردم برای بدست آوردن سود در بازار سهام سرمایه گذاری میکنند، که ﻻزمهی آن داشتن اطﻻعات درست از بازار بورس و تغییرات سهام و پیشبینی روند آیندهی آن است. بنابراین سرمایهگذاران نیازمند ابزارهای قابل اعتمادی هستند تا از طریق آن به پیشبینی

قیمت سهام بپردازند (ساندرا رامناش و همکاران۱، .( ۲۰۰۸ مدیران به دلیل وجود تعداد کثیر متغیرهای تاثیرگذار، ترجیح میدهند که مکانیزمی در اختیار داشته باشند که بتواند آنها را در امور تصمیمگیریشان یاری دهد، به همین دلیل به روشهای پیشبینی که به واسطهی آنها تخمینهایشان به واقعیت نزدیک باشد روی میآورند. نظریههای متفاوتی در خصوص پیشبینی قیمت سهام مطرح

شده است. گروهی از متخصصان اعتقاد داشتند که میتوان از طریق تجزیه و تحلیل روند تاریخی قیمت سهام، تصویری را برای پیشبینی قیمت آینده سهام، ارائه نمود. بعد از آن نظریهی گامهای تصادفی برای پیشبینی رفتار سهام مطرح شد، و سرانجام سیستمهای هوشمند مطرح شد، که مزیت عمده سیستمهای هوشمند نظیر شبکههای عصبی و شبکههای عصبی فازی، در مدل-

سازی و پیشبینی مجموعههای نامنظم و غیرخطی است. در سالهای اخیر، شبکههای عصبی مصنوعی به طور متداول به عنوان ابزار تقریبی غیرخطی استفاده شدهاند و دارای محاسن زیادی در پیشبینی هستند. با این همه، شبکههای عصبی مصنوعی مبتنی بر الگوریتم پس انتشار خطا دارای برخی ضعفها مانند گیر کردن شبکه در نقطه مینیمم محلی هستند و سرعت همگرایی محاسبات اغلب پایین است که بر روایی و دقت مدل پیشبینی تاثیر گذار است. بنابراین، محققین تئوری استدﻻل فازی با شبکه عصبی مصنوعی را ترکیب کردند و شبکه عصبی فازی بر مبنای مدل استدﻻل تاکاگی- سوگنو بهبود یافته را پیشنهاد کردند.

 

در این مقاله در ابتدا شرحی از شبکه عصبی و شبکه عصبی فازی و تفاوت بین آنها آورده شده است. سپس به پیشینه تحقیق پرداخته میشود و در ادامه، بحث اصلی مقاله یعنی طراحی مدل عنوان میگردد. در بخش پایانی نیز نتایج تحقیق ارائه میشود.

مبانی نظری پژوهش

شبکههای عصبی مصنوعی

۱ – Sundaresh Ramnath, Steve Rock, Philip Shane

در چند دهه اخیر شبکههای عصبی مصنوعی حضور فعال و موفقی در مباحث مدیریت مالی داشته است و مقاﻻت بسیاری در این زمینه ارائه شده است. شبکههای عصبی یک ابزار ارزشمند برای دامنهی گستردهای از حوزههای مدیریت است که باعث تغییر روش نگاه سازمان به ارتباط بین

دادهها و استراتژی شرکت میشود ( لیسبو۱، .( ۲۰۰۰ به هر حال عملکرد مغز انسان با توجه به میلیونها سال تکامل میتواند به عنوان کاملترین الگو برای تشخیص وقایع پیرامون خود باشد. طی سالها روانشناسان تﻻش کردند که بفهمند مغز بشر چگونه کار میکند. این تﻻش منجر به ایجاد هوش مصنوعی شد ( منهاج،.( ۱۳۷۹ تحقیقات در شبکههای عصبی مصنوعی از زمانی که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگریکامﻻً مغایر با پردازشگرهای متداول

شناخته شد، شروع شد. نگرش نوین در مورد کارکرد مغز نتیجهی تفکراتی است که در قرن بیستم در مورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک به نام نرون ۲شکل گرفت. مغز انسان از حدود ۱۰۱۱ نرون تشکیل شده است که بین آنهاتقریباً ۱۰۱۴ تا۱۰۱۵ ارتباط تصور میشود، یعنی یک شبکهی بسیار پیچیدهی ارتباطی وجود دارد که باعث می-شود مغز انسان به عنوان یک پردازشگر موازی عمل کند ( بیل و جکسون، .( ۱۳۸۰

 

شبکههای عصبی فازی

شبکههای عصبی مصنوعی با شبکه عصبی فازی ماهیتی مکمل نسبت به یکدیگر دارند. . با ایجاد شبکهی عصبی فازی، استفاده از عبارات به کار گرفتهشده در زبان طبیعی برای تشریح مفاهیمی کهمعموﻻً دارای ابهام و عدم قطعیت هستند در اجزای شبکه عصبی مصنوعی ( ورودی، خروجی، نرون و … ) محقق میشود . انجام این امر با تغییراتی ویژه در اجزای شبکهی عصبی مصنوعی رخ میدهد؛ برای مثال درحالیکه شبکههای عصبی معمولی از نرونهای یکسان و مشابه هم تشکیلشدهاند، نرونهای تشکیلدهنده ی شبکههای عصبی فازی،معموﻻً نامتجانس هستند و شبکههای عصبی فازی از نرونهای متنوع که ویژگی های محاسباتی آنها مختلف است ( مانندORو( AND تشکیل میشوند ( فضل اللهی و آلیو۳،. ( ۲۰۰۴

پیشینه تحقیق

زانگ ۴در مقالهای شبکههای عصبی را به طور کامل مرور کرده است یکی از مشکﻻت مهم در پیشبینی با شبکههای عصبی مصنوعی، فراهم کردن دادههای ﻻزم برای پیشبینی است؛ چرا که شبکههای عصبی برای حصول نتایج دقیق نیاز به دادههای زیادی دارند. اما باید توجه داشت که جمعآوری دادههای مورد نیاز شبکه، نخست ، بسیار هزینه بر است و همچنین، مدت زمان طوﻻنی

را طلب میکند. بنابراین با توجه به تغییرات سریع در محیطهای واقعی و به ویژه سی ستمهای اقتصادی و مالی، پیشبینی در این گونه محیطها نیازمند روشهایی است که با تعداد داده های قابل حصول کم نیز کارآمد و کارا باشند. روشهای پیشبینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر رو شهای مشابه به دادههای کمتری نیاز داشته،اما عملکرد آنها همیشه رضایتبخش نیست ( زانگ، .( ۱۹۸۷ مزیت اصلی شبکههای عصبی مصنوعی ، قابلیت

مدلسازی غیرخطی وانعطاف پذیرشان است. در شبکه عصبی دیگر نیازی به تشخیص شکل خاص مدل نبوده و مدل بر اساس اطﻻعات موجود در دادهها شکل میگیرد . این رویکرد مبتنی بر داده برای بسیاری از مجموعه دادههای تجربی به خصوص زمانی که هیچ اطﻻعات تئوریکی برای پیشنهاد

یک فرآیند تولید داده مناسب در دسترس نباشد، بسیار کارآمد و کارا هستند. با وجود همه مزیتهایی که برای شبکههای عصبی مصنوعی وجود دارد، اینگونه از شبکهها معایبی نیز دارند که از مهمترین آنها میتوان به

۱-Lisbo 2 -Neron 3 – Fazlollahi and Aliev 4 -Zang

نیاز به داد ه های زیاد برای حصول نتایج دقیق اشاره کرد. کانگ۱ دریافت که شبکههای عصبی مصنوعی پیشبینیهای کامﻻً خوبی با داده های کمتر از ۵۰ خواهند داشت، در صورتی که مدل های باکس – جکینز برای پیشبینیهای موفق ، دست کم
احتیاج به ۵۰ داده، دارند ( کانگ، .( ۱۹۹۱

شبکههای عصبی مصنوعی از جمله روشهایی هستند که قادر به تخمین موارد غیرخطی متعدد دردادهها بوده و یک چارچوب محاسبهای انعطافپذیر برای دامنه وسیعی از مسائل غیرخطی هستند.. یکی از مزیتهای بارز اینگونه از مدل ها نسبت به مدل های غیرخطی دیگر، این است که شبکههای عصبی مصنوعی یک تقریب زننده جهانی هستند که میتوانند هر نوع تابعی را با دقت دلخواه تقریب بزنند ( اسمیت و جاتیندر۲ ،.( ۲۰۰۰ روش های پیشبینی فازی همچون رگرسیون فازی به دلیل استفاده از اعداد فازی به جای اعداد قطعی نیاز به دادههای کمتری نسبت به سایر مدل های پیش بینی دارند، اما عملکرد روش فازی، به ویژه در محیط هایی با تغییرات سریع، دادههای پرت و یا تغییرات معنیدار بین دادهها، چندان رضایتبخش نیست (

 

تاناکا۳،.( ۱۹۹۲ برای جلوگیری از خطای مدل سازی، رگرسیون فازی را که یک مدل پیشبینی فاصلهای است پیشنهاد داده است، اما معایب این مدل وسیع شدن بیش از حد فاصله پیشبینی که به دلیل وجود برخی از مقادیر پرت ایجاد میشود، است. سریهای زمانی فازی توسط سانگ وچیزوم۱۹۹۳) ۴و(۱۹۹۴ ، بر اساس معادﻻت فازی و منطق تقریبی مدلسازی شدند. چن (۱۹۹۶)۵ نیز یک روش سری زمانی بر اساس سریهای زمانی و مفاهیم سانگ و چیزوم، پیشنهاد داده

است. استفاده از مدل های ترکیبی ، یک راه معمول در بهبود دقت پیشبینیها است. شبکههای عصبی- فازی، کﻻس خاصی از مدل های ترکیبی هستند که از ترکیب شبکههای عصبی مصنوعی و سیستم های منطق فازی تشکیل میشوند ( ناوک و پادماکوماری۶ ، .( ۱۹۹۹ با وجود اینکه شبکههای عصبی- فازی، نتایج دقیقتری نسبت به سایر مدلهای فازی ارائه میکنند، اما معایبی

همچون بهکارگیری در شرایط خاص ( محیطهایی با تغییرات سریع، دادههای پرت و یا تغییرات معنیدار بین داده ها )، همچنان در اینگونه از مدل ها وجود دارد ( خاشعی و بیجاری، .( ۱۳۸۹ با وجود اینکه شبکههای عصبی مصنوعی و سیستمهای فازی از نظر ساختاری تا حد زیادی با یکدیگر متفاوت هستند، اما با توجه به نقاط ضعف و قوت آنها، میتوان گفت این دو سیستم، مکمل یکدیگر هستند ( فضل اللهی و آلیو،. ( ۲۰۰۴

 

کو، چن و همکاران در ۲۰۰۱، مقالهای با عنوان ” یک سیستم هوشمند پشتیبان تصمیمگیری معامﻻت سهام با بهکارگیری و اجتماع الگوریتمهای ژنتیک مبتنی بر شبکهی عصبی فازی و شبکهی عصبی مصنوعی” انجام دادند. ویژگی این سیستم امکان کمی کردن متغیرهای کیفی دخیل در پیشبینی قیمت سهام است. در این مطالعه سیستمی برای حفظ، خرید یا فروش سهام در بازار بورس ایجاد کردند.

 

ییم (۲۰۰۲) ۷ تحقیقی جهت مقایسه روشهای پیشبینی شبکه عصبی و روشهای پیشبینی کﻻسیک ( GARCH8 (,9ARMA انجام داده است معیارهای ارزیابی MSE و R2 میباشند. نتایج نشاندهنده برتری شبکههای عصبی نسبت به نمونههای

ARMA و GARCH است.

هانگ و لی ۱۰با استفاده از شبکههای عصبی- فازی قیمت الکتریسیته مصرفی را پیشبینی کردهاند ( هانگ و لی ،.( ۲۰۰۵

 

۱ -Kang 2- Smith and Jatinder 3-Tanaka 4- Song and Chissom 5- Chen

۶- Nauck and Padmakumari 7- Yim 8- Generalized Autoregressive Conditional Heteroskedastistiy

۹- Autoregressive Moving Average 10- Hong and Lee

سوتومایور(۲۰۰۶) ۱ به پیشبینی جهت حرکت شاخص قیمت سهام برزیل با استفاده از منطق فازی پرداخته است که در نهایت، نتیجهی پیشبینی انجامشده، مناسب ارزیابی شده است.

لی ووانگ (۲۰۰۷ ) ۲ نیز با بهکارگیری سیستم های عصبی- فازی چند متغیره مسئله مدیریت ریسک در بازارهای مالی را مورد بررسی قراردادند.

خالو زاده، خاکی صدیق (۱۳۸۲)، در مطالعه خود بر روی پیشبینی قیمت سهام، با ارائه مدل غیرخطی بر اساس شبکه عصبی، استفاده از انواع مختلف روشهای خطی را ناکارا مد معرفی نمودهاند.

 

منجمی و همکاران ( (۱۳۸۸ به طراحی و ارائه یک مدل پیشبینی قیمت سهام با استفاده از شبکه عصبی فازی و الگوریتمهای ژنتیکی و کاهش خطای پیشبینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه عصبی مصنوعی به صورت منفرد پرداختهاند. نتایج آنها نشان داد که مدل ترکیبی شبکههای عصبی فازی و الگوریتمهای ژنتیک پیشبینی مناسب-تری داشته و نسبت به شبکه عصبی منفرد از سرعت باﻻتر و توانایی تقریب قویتری برای پیشبینی قیمت سهام برخوردار است ( منجمی و همکاران، .( ۱۳۸۸

 

خاشعی و بیجاری در مطالعهای برای پیشبینیهای بهتر، حصول نتایج دقیق تر و همچنین نیاز به تعداد داده های کمتر، از مفاهیم روش رگرسیون فازی استفاده کرده است و توانسته است از مزایای موجود در این روش برای پیشبینی های بهتر استفاده کرده و محدودیت نیاز به داده های زیاد در شبکههای عصبی مصنوعی را نیز تا حد امکان رفع کرده است ( خاشعی و بیجاری .( ۱۳۸۹

روش پژوهش

مواد و روشها

بررسی پیشبینی قیمت سهام با استفاده از شبکههای عصبی مصنوعی و شبکههای عصبی فازی

در این مقاله برای پیشبینی قیمت سهام با استفاده از روشهای هوشمند، از روشهای شبکههای عصبی مصنوعی و شبکه-های عصبی فازی استفاده شده است. در این تحقیق، به عنوان نمونه پیشبینی قیمت سهام شرکتهای فعال در بورس اوراق بهادار تهران در صنعت سیمان به کمک روشهای فوق انجام میشود.

 

در مدل شبکه عصبی از دو دسته داده، دادههای آموزش، برای یادگیری و دادههای آزمایش برای مدل استفاده شده است. دادههای ورودی مدلها شامل ۴ سری زمانی طی دورهی زمانی ۱۳۸۹تا۱۳۹۱به صورت روزانه است که از سازمان بورس اوراق بهادار تهران و سامانه معامﻻت تهیه شده است. سپس هریک از گروههای دادهای ورودی شبکهی عصبی مصنوعی، پس از فازی کردن به شبکه عصبی وارد میشود و از این طریق شبکه عصبی فازی ایجاد میگردد.

دادههای ورودی

پس از بررسیهای فراوان برای شناسایی متغیرها، در نهایت دادههای ۵ متغیر تأثیرگذار بر قیمت سهام با توجه به محدودیتهای موجود، انتخاب شدند. این متغیرها شامل قیمت سهام، باﻻترین قیمت سهام، پایینترین قیمت سهام، حجم معامله،

۱- Souto-Maior 2- Lee and Wong

قیمت دیروز، P/E است. این دادهها به صورت سری زمانی طی سه سال، در دورهی ۱۳۸۹تا ۱۳۹۱ به صورت روزانه هستند. ورودیهاتقریباً %۷۰ از آنها به عنوان دادههای آموزشی و مابقی به عنوان دادههای آزمایشی در نظر گرفتهشدهاند.

پیشبینی قیمت سهام با استفاده از شبکههای عصبی مصنوعی

پیادهسازی مدل شبکههای عصبی مصنوعی با استفاده از برنامهنویسی در محیط نرمافزار MATLAB صورت گرفته است. برای آماده سازی دادههای ورودی با توجه به اینکه هدف، نرمال سازی دادهها در فاصلهی {۰ ۱} است، از رابطهی زیر استفاده می-کنیم:
(۱) −
xn=

پس از نرمال سازی، به طراحی شبکه عصبی میپردازیم. در طراحی شبکههای عصبی، پس از تعیین نوع شبکه و روش آموزش باید تعداد گرههای ورودی، تعداد ﻻیههای مخفی (میانی) و گرههای مخفی و تعداد گرههای خروجی تعیین شوند. در این تحقیق تعداد گرههای ورودی ۵ گره در نظر گرفته شده است و با توجه به اینکه متغیر وابستهی تحقیق حاضر پیشبینی قیمت سهام در دوره زمانی مورد نظر است، تعداد گره خروجی، یک گره هست. ﻻیهها و گرههای پنهان نیز نقش مهمی در موفقیت شبکههای عصبی دارند. گرههای مخفی در ﻻیههای مخفی به شبکهی عصبی اجازه میدهند تا خصوصیات دادهها را کشف کنند و بدان وسیله نگاشتهای غیرخطی پیچیده را بین متغیرهای ورودی و خروجی برقرار نماید. در تئوری، شبکههای عصبی میتوانند دقت دلخواه را برای تقریب توابع با استفاده از تعداد کافی گره مخفی به دست آورند ( لیسبو، .( ۲۰۰۰ در این تحقیق تعداد گره-های مخفی ۱۰ گره در نظر گرفته شده است. در این تحقیق تعداد ﻻیهها سه ﻻیه ( یک ﻻیه ورودی، یک ﻻیه خروجی، و یک ﻻیه مخفی ) با تعداد نرونهای {۱۰/۱/۵} است.

معیارهای ارزیابی عملکرد پیشبینی

برای نشان دادن چگونگی یادگیری ارتباطهای دادهها در شبکههای عصبی به طور معمول، از برخی معیارهای عملکرد استفاده میشود. برای مسائل پیشبینی، این معیارها به طور عمده مربوط به خطای بین خروجیهای پیشبینیشده و خروجی مطلوب واقعی است ( منجمی و همکاران،.( ۱۳۸۸ در این تحقیق از معیارهای زیر استفاده شده است:

الف) معیار میانگین خطا ( ( MSE

ب) ضریب تعیین R2

تجزیه و تحلیل دادهها