A/D Oscillator

اندیکاتور ویلیام با قیمت روز گذشته

Disparity5

نشانگر نسبت قیمت و میانگین متحرک پنج روزه

جدول ۴-۲ : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول

OSCP

اندازه گیری تفاوت دو میانگین متحرک مختلف

CCI

اندازه گیری اختلاف قیمت سهم از میانگین

RSI

اسیلاتوری که از صفر تا صد تغیر می کند.

در حالی که UP و DW تفاوت قیمت های بالا و پایین در زمان t است

۲-۶- مرور پژوهش های مشابه

۲-۶-۱- کاربرد شبکه عصبی در پیش بینی قیمت سهام

یون و اسوالز^[۱۲۰] (۱۹۹۱) با توضیح اینکه شبکه عصبی توانایی یادگیری تابعی برای تبدیل کردن ورودی ها به خروجی ها از طریق وزن ها را دارد، کارایی آن را با Multivariate Discriminant Analysis مقایسه کرده و به این نتیجه رسیده است که کارایی شبکه عصبی به صورت معناداری بالاتر از تکنیک رقیب در پیش بینی قیمت می باشد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

وانگ اف.اس و همکاران^[۱۲۱] (۱۹۹۲) تلاش کرد تا از گیت های شبکه عصبی^[۱۲۲] برای پیش بینی بازار سهام، ریسک دارایی های کشوری و طبقه بندی سهام بازار سهام بر مبنای قوانین فازی^[۱۲۳]، قوانین احتمالی^[۱۲۴] و قوانین بولی^[۱۲۵] استفاده کند.
کری زانوسکی و همکاران^[۱۲۶] (۱۹۹۳) تصمیم گرفت تا از شبکه های عصبی در پیش بینی بازده های مثبت و منفی بازار سهام استفاده کند. نتایح به دست آمده حاکی از ۷۲ درصد پیش بینی صحیح در کلاس بندی بازده ها داشته و نسبت به پیش بینی با مدل قدم زدن تصادفی برتری معناداری داشتند.
دونالدسون و کمسترا^[۱۲۷] (۱۹۹۶) به بررسی استفاده از شبکه های عصبی برای تلفیق کردن پیش بینی های مدل های سری های زمانی جهت پیش بینی نوسان پذیری بازارهای سهام در آمریکا می پردازد. همچنین توضیح می دهد که تلفیق به وسیله الگوریتم های غیر خطی شبکه های عصبی نتایج بهتری به دست می آید.
لاورنس^[۱۲۸] (۱۹۹۷) تحقیقی در مورد کارایی شبکه های عصبی در مورد آزمون نظریه کارایی بازار سرمایه انجام داده و در ضمن با مقایسه کارایی شبکه های عصبی در تخمین قیمت اوراق بهادار، به این نتیجه می رسد که این شبکه ها عملکرد بهتری از تکنیک های آماری و رگرسیون دارند.
مشیری و کامرون^[۱۲۹] (۲۰۰۰) به مقایسه کارایی شبکه های عصبی با الگوریتم پس خور بازگشتی و مدل های کلاسیک اقتصادی برای پیش بینی تورم پرداخته و نشان داده است که شبکه های عصبی قادر هستند که تورم را به خوبی مدل های کلاسیک پیش بینی کنند و تفاوت معناداری میان این دو روش پیدا نکرد.
کاناس^[۱۳۰] (۲۰۰۳) به بسط و بررسی مدل های غیرخطی و مدل های خطی برای پیش بینی پرداخته و آنها را بر اساس پیش بینی های نادرست با یکدیگر مقایسه کرده است. وی به مقایسه دو مدل خطی و دو مدل غیر خطی پردخته است که مدل های خطی عبارت از standard regime switching و markov regime switching بوده و مدل های غیر خطی شامل نزدیک ترین همسایگی^[۱۳۱] و شبکه عصبی می باشند. نتایج به دست آمده حاکی از برتری مدل های غیر خطی و در الگوریتم های غیرخطی برتری شبکه عصبی در پیش بینی بازده سهام دارند.
جاسیک و وود^[۱۳۲] (۲۰۰۴) به مطالعه سیگنال های معنادار آماری و پتانسیل های کسب سود برای یک دوره جلوتر در بازار سهام پرداخت به وسیله شبکه های عصبی پرداخته و نتایج نشان دهنده برتری شبکه عصبی نسبت به مدل های کلاسیک در پیش بینی سیگنال های خرید و فروش بودند.
فیش بین^[۱۳۳] (۲۰۰۲) به مبحث زمان بندی بازار سرمایه پرداخته و با طراحی مدلی به پیش بینی نقاط کسب سود و دوری جستن از نقاط افت پرداخته است. در این تحقیق از شبکه عصبی که با الگوریتم ژنتیک بهینه شده است استفاده شده که یک مکانیزم منعطف برای پیش بینی و تعیین استراتژی سرمایه گذاری پرداخته است.
جای و لی^[۱۳۴] (۲۰۰۴) به مطالعه شبکه های عصبی بر مبنای الگوریتم ژنتیک بر مبنای GMT^[135] برای مطالعه و شناسایی الگوهای موجود در بازار سرمایه پرداخته و به این نتیجه رسیده است که استفاده از GMT تفاوت معناداری در جواب های به دست آمده از شبکه عصبی ایجاد می کند.
آلتای و ستمان^[۱۳۶] (۲۰۰۵) با مطالعه بازار سهام استانبول به توانایی پیش بینی پذیری بازار از طریق پروسه های یادگیری شبکه عصبی پراخته و نتایح را با متدهای رگرسیون خطی و خرید و نگهداری مقایسه کرده و به برتری شبکه های عصبی در مقایسه با دو الگوریتم دیگر رأی داده است.