1-8 ساختار تحقیق…………………… 7

فصل 2 : پیشینه تحقیق…………………… 9

2-1 مدلهای پیش بینی قیمت سهم در تحقیقات پیشین…………………… 9

2-2 انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشین……… 16

فصل 3 : مبانی نظری تحقیق…………………… 18

3-1 بازار بورس اوراق بهادار………………….. 18

3-2 تکنیکهای رایج تحلیل و پیش بینی قیمت سهام………………….. 19

3-3 تکنیکهای نوین تحلیل داده ها ………………….20

3-3-1 داده کاوی…………………… 21

3-3-2 شبکه عصبی مصنوعی…………………… 26

3-3-3 الگوریتمهای تکاملی…………………… 313-3-3-1 الگوریتم ژنتیک……………………. 33

3-3-3-2 الگوریتم بهینه سازی ازدحام ذرات…………………… 36

3-3-3-3 الگوریتم رقابت استعماری…………………… 38

فصل 4 : روش تحقیق…………………… 43

4-1 فرایند CRISP……………………

4-1-1 تعریف مساله…………………. 43

4-1-2 تحلیل داده ها………………….. 43

4-1-3 آماده سازی داده ها………………….. 44

4-1-4 مدلسازی…………………… 44

4-1-5 ارزیابی…………………… 44

4-1-6 پیاده سازی…………………… 45

فصل 5: اجرا…………………. 46

5-1 اجرای فرایند CRISP……………………

5-1-1 مجموعه داده ها………………….. 46

5-1-2 کیفیت داده ها و کاهش داده ها………………….. 50

5-1-3 پیاده سازی شبکه عصبی مصنوعی برای سری های زمانی……… 51

5-1-3-1 معماری شبکه عصبی مصنوعی…………………… 51

5-1-3-2 تطبیق ورودی های زمانی به عنوان ورودی شبکه عصبی مصنوعی……. 53

5-1-4 پیاده سازی آموزش شبکه عصبی مصنوعی با الگوریتمهای تکاملی…….. 54

5-1-4-1 الگوریتم ژنتیک……………………. 54

5-1-4-2 الگوریتم بهینه سازی ازدحام ذرات…………………… 55

5-1-4-3 الگوریتم رقابت استعماری…………………… 56

5-1-4 به کارگیری شبکه عصبی مصنوعی آموزش دیده با الگوریتم های تکاملی……. 58

فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها………………….. 60

6-1 نتیجه گیری و پاسخ به سئوالات تحقیق…………………… 60

6-2 تحقیقات پیشنهادی آینده………………….. 64فهرست منابع…………………… 65

پیوست ها ………………….67

پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا…… 67

پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک…………. 68

پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات………. 71

پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری……….. 73

چکیده:

تحقیقات بسیاری جهت پیش بینی قابل قبول و قابل اطمینان به کمک روشهای شبیه سازی، تحلیل سری های زمانی، ترکیب روشهای هوش مصنوعی با روش های تحلیل سری های زمانی و در آخرین آنها ترکیب روشهای داده کاوی و هوش مصنوعی با روش های تحلیل سری های زمانی و الگوریتم های بهینه سازی تکاملی در حوزه قیمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در این تحقیق سعی بر آن شده که در قالب فرایند CRISP داده کاوی و با ارجاع به آخرین تحقیقات صورت گرفته، ترکیب شبکه عصبی مصنوعی و الگوریتم های بهینه سازی تکاملی به عنوان مدل پیش بینی قیمت سهم در بازار بورس اوراق بهادار مورد بررسی قرار گیرد. الگوریتم های بهینه سازی تکاملی ژنتیک، ازدحام ذرات و رقابت استعماری در آموزش شبکه عصبی مصنوعی با داده های سری زمانی کاهش یافته قیمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمینان بودن پیش بینی به کمک شبکه عصبی مصنوعی آموزش دیده با الگوریتم ازدحام ذرات بر اساس مقادیر شاخص میزان خطا (mse) پیش بینی شبکه عصبی مصنوعی مورد اشاره به اثبات رسید. همچنین عدم درک آشوب داده ها توسط الگوریتم یادگیری پیش انتشار خطا به چالش کشیده شد.

فصل اول: معرفی تحقیق

1-1- مقدمه

بشر در دنیای امروزی به صورت روزمره در بازارهای گوناگون درگیر تصمیم گیری های بیشماری بوده و هر گونه پیشنهادی که امکان بهبود دقت و صحت تصمیم و یا کاهش زمان تصمیم گیری را برای او به ارمغان بیاورد برای وی جذاب و ارزشمند می باشد. یکی از بازارهایی که امروزه رو به رونق بوده و مزایای سیستمهای پشتیبان تصمیم گیری در آن بسیار مشهود می باشد بازارهای پولی و سرمایه شامل بازار بورس اوراق بهادار می باشد. فعالان این بازار به خرید و فروش سهام شرکتها در آن بازار پرداخته و از آن طریق با پذیرفتن ریسکِ آینده سهم برای خود سود و یا زیان به بار می آورند.

در این تحقیق سعی خواهد شد تا با به کارگرفتن تکنیکهای داده کاوی شناخته شده، در مسیر تحقیقات صورت گرفته پیشین، ترکیبی از الگوریتم شبکه عصبی مصنوعی با الگوریتمهای بهینه سازی تکاملی به منظور پیش بینی