تعریف back propagation
برای یادگیری وزن های یک شبکه چند لایه از روش ^[۲۴]back propagation استفاده می­ شود. از دلایل استفاده از back propagation می توان به موارد زیر اشاره کرد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

قدرت کم شبکه ­های قبلی در یاد گرفتن بسیاری از مسائل است . برای رسیدن به شبکه­ هایی که بتوانند قابلیت ایجاد تعادل بین عمومی­سازی و قابلیت به حافظه سپردن را داشته باشند. مراحل یادگیری شبکه ­های back propagation شامل محاسبه خروجی متناظر با ورودی، محاسبه خطای خروجی، منتشر کردن آن به لایه های قبلی و تنظیم وزنهای شبکه می­باشد.
منطق فازی
هر نوع بیان واقعیت، یکسره درست یا نادرست نیست. حقیقت آنها چیزی بین درستی کامل و نادرستی کامل است. چیزی بین یک و صفر، یعنی مفهومی چند ارزشی و یا خاکستری. حال فازی چیزی بین سیاه و سفید، یعنی خاکستری است [۱]. منطق فازی در ۱۹۶۵ برای اولین بار در مقاله‌ای به همین نام، توسط پروفسور «لطفی عسگرزاده» ارائه شد و در حال حاضر کاربردهای فراوانی دارد و در حیطه مدیریت نیز جای خاصی را به خود اختصاص داده است. این منطق برای سنجش مسائل و الگوهای کیفی، کاربرد فراوان دارد و پاسخگوی مسائل زیادی در رشته‌های علوم انسانی بویژه مدیریت است. منطق فازی راهکاری است که به وسیله آن می‌توان سیستمهایی پیچیده را که مدلسازی آنها با بهره گرفتن از ریاضیات و روش‌های مدلسازی کلاسیک غیرممکن بوده و یا بسیار مشکل است، به آسانی و با انعطاف بسیار بیشتر، مدلسازی کرد.
منطق فازی، فناوری جدیدی است. این منطق شیوه‌های مرسوم برای طراحی و مدل‌سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتاً پیچیده است، با بهره گرفتن از مقادیر، شرایط زبانی و دانش فرد خبره با روش های آسان ایجاد می­ کند. این امر با هدف ساده‌سازی و کارامدتر شدن طراحی سیستم انجام می­ شود.
این نظریه، قادر است بسیاری از مفاهیم، متغیرها و سیستم‌هایی را که نادقیق و مبهم هستند، همان‌طور که در عالم واقع نیز اکثراً چنین است، صورت­بندی ریاضی کرده و زمینه را برای استدلال، استنتاج، کنترل و تصمیم‌گیری در شرایط عدم اطمینان ، فراهم آورد. از ویژگیهای منطق فازی می توان به موارد زیر اشاره کرد.
در منطق فازی، استدلالهای دقیق به عنوان استدلالهای تقریبی تلقی می‌شوند.
در منطق فازی، هر چیزی درجه‌پذیر است.
هر سیستم منطقی می‌تواند فازی شود.
در منطق فازی، دانش به عنوان مجموعه‌ای از محدودیتهای تغییرپذیر و یا به طور معادل فازی که بر روی مجموعه‌ای از متغیرها اعمال می‌شود، تعبیر می‌گردد.
استنتاج، به عنوان فرایند گسترش محدودیتهای تغییرپذیر درنظر گرفته می‌شود.
مدل پنهان مارکف
یک مدل آماری است که در آن سیستم مدل شده به صورت یک فرایند با حالتهای مشاهده نشده (پنهان) فرض می‌شود [۵۲]. یک مدل پنهان مارکف می‌تواند به عنوان ساده‌ترین شبکه پویا در نظر گرفته شود. در مدل عادی مارکف، حالتها به طور مستقیم توسط ناظر قابل مشاهده‌است و بنابراین احتمالهای انتقال بین حالتها تنها توسط پارامترها موجود است. در یک مدل پنهان مارکف، حالت به طور مستقیم قابل مشاهده نیست، اما خروجی، بسته به حالت، قابل مشاهده ‌است. هر حالت یک توزیع احتمال روی سمبلهای خروجی ممکن دارد. بنابراین دنباله سمبلهای تولید شده توسط یک مدل پنهان مارکف اطلاعاتی درباره دنباله حالتها می‌دهد. حتی اگر پارامترهای مدل به طور دقیق مشخص باشند، مدل همچنان پنهان است .مدلهای پنهان مارکف بیشتر به دلیل کاربردشان در بازشناخت الگو مانند تشخیص صدا و دست خط، تشخیص اشاره و حرکت، برچسب­گذاری ادات سخن، بیوانفرماتیک و مواردی از این قبیل شناخته شده ­اند. مدل پنهان مارکف می‌تواند فرایندهای پیچیده مارکف را که در آن حالتها بر اساس توزیع احتمالی مشاهدات را نتیجه می‌دهند، مدل کند.
۳-۵فرضیه بازار کارآمد
فرضیه بازار کارآمد^[۲۵]، وضعیتی است که قیمت یک سهم به طور کامل در تمام اطلاعات شناخته شده در مورد سهم تثبیت شده است [۲۴]. تا جایی که تمام این اطلاعات به بهینگی بوسیله شریکان بازار استفاده می­ شود. تغییرات قیمت که به صورت اطلاعات جدید مرتب در حال تغییر و تحول است کاملا تصادفی است. بنابر توضیحات ذکر شده، قیمت سهام از قانون Random Walkپیروی می­ کند [۵۴]. باتوجه به توضیحات ذکر شده و چنین وضعیتی برای یک سرمایه­گذار امکان در دست گرفتن بازار وجود ندارد. شواهد غیر قطعی وجود دارند که فرضیه بازار کارآمد را رد می­ کنند [۵۳]. می­توان گفت که بر سر تصدیق EMH یا رد آن بحثهای بسیاری هست [۲۵]. قضاوت درست در این زمینه را می­توان به شبکه ­های عصبی نسبت داد. متخصصین در سال ۱۹۸۷سقوط بازار بورس را متناقض با نظریه EMH دانستند [۵۸] که این امر موجب ترس سرمایه ­گذاران شد. این فرضیه موجب رونق بازار نخواهد شد. این حقیقت که بسیاری از شریکان بازار می­توانند به رونق بازار کمک کنند تاکیدی است که که در عمل توسط EMH رد می­ شود. در اصل می­توان گفت در دنیای ایده­آل با پخش اطلاعات مساوی این فرضیه درست است اما در بازار امروزی که افراد مختلف و سهمهای مختلف در آن حضور دارند و تغییرات و صعود و نزول قیمت سهام و مواردی از این قبیل همواره وجود دارد، موجب عدم ایده­آل بودن بازارسهام است.
۳-۵ ماشین بردار پشتیبانی
ماشین بردار پشتیبانی^[۲۶]، یکی از روش های یادگیری با نظارت است که از آن برای طبقه ­بندی و رگرسیون استفاده می­ کنند [۳۸ و ۳۹]. این روش از جمله روش های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش های قدیمی‌تر برای طبقه‌بندی مواردی از جمله شبکه‌های عصبی نشان داده­است. مبنای کاری دسته‌بندی کننده SVM دسته‌بندی خطی داده‌ها است. الگوریتم SVM، جزء الگوریتم های تشخیص الگو دسته بندی می شود. از الگوریتم SVM، در هر جایی که نیاز به تشخیص الگو یا دسته بندی اشیا در کلاسهای خاص باشد می توان استفاده کرد. در ادامه به کاربردهای این الگوریتم به صورت موردی اشاره می شود، سیستم آنالیز ریسک، کنترل هواپیما بدون خلبان، ردیابی انحراف هواپیما، شبیه­سازی مسیر، سیستم راهنمایی خودکاریک اتومبیل، سیستمهای بازرسی کیفیت، آنالیز کیفیت جوشکاری، پیش بینی کیفیت، آنالیز کیفیت کامپیوتر، آنالیز عملیاتهای آسیاب، آنالیز طراحی محصول شیمیایی، آنالیز نگهداری ماشین، پیشنهاد پروژه، مدیریت و برنامه ریزی، کنترل سیستم فرایند شیمیایی و دینامیکی، طراحی اعضای مصنوعی، بهینه سازی زمان پیوند اعضا، کاهش هزینه بیمارستان، بهبود کیفیت بیمارستان، آزمایش اتاق اورژانس، اکتشاف روغن و گاز، کنترل مسیر در دستگاه های خودکار، ربات، جراثقال، سیستمهای بصری، تشخیص صدا، اختصار سخن، کلاسه بندی صوتی، آنالیز بازار، سیستمهای مشاوره­ای محاسبه هزینه موجودی، اختصار اطلاعات و تصاویر، خدمات اطلاعاتی خودکاریک، مترجم لحظه ای زبان، سیستمهای پردازش وجه مشتری، سیستمهایشخیص ترمز کامیون، زمانبندی وسیله نقلیه، سیستمهای مسیریابی، کلاسه بندی نمودارهای مشتری/بازار، ، جلوگیری از پارازیت، شناسایی تصویر و سیگنال، چیدمان یک مدار کامل، بینایی ماشین، مدل کردن غیر خطی، ترکیب صدا، کنترل فرایند ساخت، آنالیز مالی، پیش بینی فرآیندهای تولید، ارزیابی بکارگیری یک سیاست، بهینه سازی محصول، تشخیص ماشین و فرایند، مدل کردن کنترل سیستمها، مدل کردن ساختارهای شیمیایی، مدل کردن سیستمهای دینامیکی، مدل کردن سیگنال تراکم، مدل کردن قالبسازی پلاستیکی، مدیریت قراردادهای سهام، مدیریت وجوه بیمه، دیریت سهام، تصویب چک بانکی، اکتشاف تقلب در کارت اعتباری، ثبت نسیه، بازبینی امضا از چکها، پیش بینی ارزش نسیه، مدیریت ریسک رهن، تشخیص حروف و اعداد، تشخیص بیمار و مواردی از این قبیل می­توان اشاره کرد.
۳-۶ نتیجه
به­ طور کلی در این فصل به موضوعات و مفاهیم علمی در ارتباط با پیش ­بینی بازار سهام پرداخته شد. روش های مختلفی که برای پیش ­بینی بازار سهام وجود دارند مانند شبکه ­های عصبی، ماشین بردار پشتیبانی و مدل مارکف در این فصل در مورد آنها توضیح داده شد. اما نمی­ توان گفت که برای تمام داده ­ها و انواع مختلف آنها صرفا یک روش مناسب است زیرا ممکن است روشی برای یک نوع از داده ­ها مناسب باشد اما برعکس برای نوعی دیگر مناسب نباشد. به­ طور کلی هیچ روشی اطمینان کامل مبنی بر درست بودن پیش ­بینی را نخواهد داشت. اما بنابر تحقیقات صورت گرفته و مقالات ارائه شده شبکه ­های عصبی می ­تواند یکی از موفق­ترین روشها برای پیش ­بینی بازار سهام باشد. زیرا این روش به کمک داده ­های آماده شده مورد آموزش قرار می­گیرد و سپس با ارزیابی و آزمون به پیش ­بینی می ­پردازد. بعد از آن برای هر داده­ای که پیش ­بینی می­ کند مقایسه­ ای بین داده واقعی و داده بدست آمده انجام می­دهد. اگر داده ­ها یکسان نباشند به اصلاح پرداخته و دوباره آموزش روی داده ­ها را انجام می­دهد. این کار باعث می­ شود پاسخ صحیح­تری به­دست آید و میزان اعتماد افزایش یابد. در فصل چهارم در ارتباط با نحوه عملکرد شبکه­عصبی و چگونگی انجام مراحل پیش ­بینی توضیحات کامل ارائه شده است.
فصل چهارم
روش پیشنهادی
۴-۱مقدمه
در این فصل به بررسی مراحل تدوین روش پیشنهادی در این پایان نامه پرداخته می­ شود. ابتدا در مورد انواع داده ­های موجود در بورس اوراق بهادار شامل داده ­های تکنیکی و بنیادی صحبت خواهد شد. سپس به بررسی هر کدام از انواع داده های تکنیکی، بنیادی و ترکیبی و مزایا و معایب آنها پرداخته می­ شود و انواع داده مورد مقایسه قرار می­گیرند. در نهایت نتیجه این مقایسه با نمودارها مورد تحلیل قرار می­گیرند. یکی از میزانهای مورد استفاده در بورس اوراق بهادار، شاخصها هستند که انواع مختلفی دارند. در این بخش ابتدا به بررسی یکی از این شاخصها به نام الگوی سر و سرشانه پرداخته می­ شود. پس از آن داده ­های بورس اوراق بهادار تهران بدون استفاده از این شاخص و با بهره گرفتن از این شاخص مورد مقایسه قرار می­گیرند. ذکر این نکته ضروری است که در پیش­بینیهای صورت گرفته، هر دو حالت پیش ­بینی شامل پیش ­بینی روز بعد و پیش ­بینی خرید، فروش یا نگهداری سهام انجام گرفته است.
۴-۲ انواع دیدگاه در ادبیات مالی
در ادبیات مالی در ارتباط با بازار سهام، دو دیدگاه کلی وجود دارد که شامل دیدگاه بنیادی و دیدگاه تکنیکی است [۶۲]. از ابتدای کار بازار سهام، معیار ارزیابی و مقایسه، داده ­های تکنیکی بوده است و این امر موجب شد که در ایران از شرکتها سرمایه ­گذاران صرفاً داده ­های تکنیکی تقاضا شود. بیش از ۸۰ درصد تحقیقات انجام شده در دنیا مربوط به داده ­های تکنیکی است [۶۳]. باتوجه به موارد ذکر شده، در این تحقیق هر دو دیدگاه بنیادی و تکنیکی و ترکیب این دو نوع داده مورد توجه قرار گرفته است. در ادامه ابتدا هر کدام از این دیدگاه ­ها توضیح داده می­شوند و سپس به توصیف داده ­ها پرداخته و در نهایت داده ­های تکنیکی، بنیادی و ترکیب بنیادی و تکنیکی مقایسه می­شوند تا مشخص شود کدام مورد برای پیش ­بینی می ­تواند موثرتر واقع شود و به سرمایه ­گذاران کمک کند.
۴-۲-۱روش بنیادی
در بازار سرمایه ارزش سهام بر اساس میزان منافع آتی و اطمینان از تحقق آنها تعیین می­گردد و هر اندازه اطمینان نسبت به کسب بازده بیشتر باشدمخاطره از دست دادن اصل سرمایه و سود آن کمتر می­ شود. عوامل و متغیرهای متعددی در بازار سرمایه و در سطح کلان بر روی قطعیت یا عدم قطعیت سود و نیز تغییرات قیمت دارائیهای مالی تأثیرگذار هستند. به همین خاطر روش بنیادی به بررسی دقیق عوامل محیطی که ممکن است بر روند حرکت قیمت سهام و به تبع آن بر بازده دارائیهای مالی تأثیرگذار باشد، می ­پردازد. در این روش به منظورتجزیه و تحلیل گزینه­ های سرمایه ­گذاری در بورس اوراق بهادار قاعدتاً بایستی به سه مرحله اساسی تجزیه وتحلیل شرکت، بررسی اوضاع اقتصادی کشور و بررسی صنعت مورد نظر توجه کرد. در این زمینه دسته­بندی داده ­ها شامل قیمت سود حاصل شده در یک سال، میانگین ارزش قیمت عرضه در یک سال، میانگین ارزش قیمت تقاضا در یک سال و وضعیت شاخص سهام شرکت در یک سال می­باشد.
۴-۲-۲ روش تکنیکی
متخصصین در زمینه تحلیل تکنیکی بر این باورند که در بازار سهام، تمامی اطلاعات موردنیاز در قیمتها نهفته است. با تمرکز بر روی قیمتهای دوره­ های قبل و زمان حال سهام و پیش بینی آتی آن می­توان از یک انتخاب مناسب در بازار سود برد. در واقع طرفداران روش تکنیکی بر عکس بنیادگراها که به چرایی قیمتها تأکید داشتند بر روی چیستی قیمت تمرکز دارند. این نوع سرمایه ­گذاری با بهره گرفتن از مطالعه رفتار و حرکات قیمت سهام در گذشته و تعیین قیمت و روند آینده آن و امکان تکرار الگوهایی مشابه صورت می­پذیرد. در این رابطه طرفداران روش تکنیکی ابراز می­دارند که تمامی وقایع جاری اقتصادی کشور و نیز صنعت و انتظارات سهامداران نهایتاً بر قیمت سهام تأثیر گذاشته است. لذا نیاز است پیشینه تاریخی و نمودار قیمت سهام به دقت بررسی گردد. باتوجه به مطالب ذکر شده، داده­هایی که برای بررسی تکنیکی مورد استفاده قرار می­گیرد شامل مواردی چون اولین قیمت معامله در یک روز، بالاترین قیمت معامله در یک روز، پایین­ترین قیمت معامله در یک روز، آخرین قیمت معامله در یک روز و تغییر قیمت معامله امروز نسبت به دیروز است. در جدول ۴-۱ اطلاعات کامل از انواع داده ­های بنیادی و تکنیکی نشان داده شده است.
جدول ۴-۱: انواع داده ­های بنیادی و تکنیکی.

انواع داده ­های بنیادی
انواع داده ­های تکنیکی

قیمت سودحاصل شده دریک سال

اولین قیمت معامله در یک روز

میانگین ارزش قیمت عرضه دریک سال

بالاترین قیمت معامله در یک روز

ارزش قیمت تقاضادریک سال