وبلاگ

پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه یکی از مهم ترین مسایل مورد بحث در میان پژوهشگران اقتصادی وعلوم مالی بوده است . روش های کلاسیک مانند رگرسیون گرچه توفیقات نسبی در این زمینه ها داشته اند ، اما نتایج آن نتواسته است پژوهشگران این عرصه را راضی نماید . غیر خطی بودن داده های اقتصادی ومالی، از مـدتها پـیش مـشاهده شـده ومحققان محـدودیـتهای مربـوط بـه تـکنیکـهایی را که فرض می کنند یک ارتباط خطی بین این داده ها وجود دارد را درک کرده وشناخته اند. اما استفاده از این تکنیکها به خاطر ساده بودن تفسیر ضرایب برآوردی وهمچنین راحت بودن پیاده سازی آنها ، مورد توجه قرار گرفته است . بنابراین تلاش برای دستیابی به مدلهای دقیق تر و بهتر همچنان ادامه دارد . ویژگی مسایل اقتصادی وتجاری این است که به شدت تحت تاثیر مسایل اجتماعی ، سیاسی وفرهنگی است که بسیاری از پارامترهای آنها ناشناخته بوده  و با روش های کمی به سختی قابل اندازه گیری هستند. پیدایش تکنولوژی شبکه های عصبی که توان منحصر به فردی در تحلیل اطلاعات در دسترس، دارند باعث گردیده که متخصصان در تحلیل و پردازش داده ها وعوامل مرتبط به موضوعات اقتصادی، بازرگانی، مالی و… به سمت آن گرایش پیدا کنند. استفاده از روش های غیر خطی در زمینه های مالی تلاش دیگری در جهت بهبود پیش بینی متغیرهای مطلوب است . استفاده از هوش مصنوعی وشبکه های عصبی در پیش بینی متغیرهای مالی ، یکی از این تکنیکها میباشد .
معمولاً به منظور پیش بینی وقایعی که در آینده اتفاق می افتد به اطلاعات به دست آمده از رویدادهای تاریخی اتکا می شود . به این ترتیب که داده های گذشته تجزیه وتحلیل می گردد تا از آن الگویی قابل تعمیم به آینده حاصل گردد .این فرایند که در اغلب روش های پیش بینی مورد استفاده قرار می گیرد ، مبتنی بر این فرض است که روابط بین متغیرها در آینده نیز ادامه خواهد داشت .
روش های پیش بینی می تواند کاملا ساده یا پیچیده، کوتاه مدت یا بلند مدت ، کمی یا کیفی باشد . اما علیرغم تنوع در روش های موجود ، می توان آنها را به دو گروه اصلی : روش های کیفی و روش های کمی، طبقه بندی نمود.
در روش های کیفی ،پیش بینی مبتنی بر قضاوت ذهنی وتجارب شخصی فرد پیش بینی کننده است . در حالیکه در روش های کمی ، با بهره گرفتن از تجزیه وتحلیل داده های گذشته ، ارزش متغیر مورد نظر پیش بینی می گردد . روش های رگرسیون وسریهای زمانی نمونه هایی می باشند که در آنها از روش های کمی به منظور پیش بینی استفاده می گردد. سری زمانی یک متغیر ، مشاهدات متوالی تاریخی مربوط به آن متغیر است و در تجزیه وتحلیل سری زمانی تلاش می شود با بهره گرفتن از مقادیر گذشته، مقدار آینده آن متغیر تعیین گردد.
جهت پیش بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول ترین آنها روش های رگرسیون ومدلهای «ARIMA» هستند.اما این مدلها در عمل جهت پیش بینی بعضی از سریها ناموفق بوده اند زیرا ساختار آنها خطی است و از این نظر محدودیت ذاتی دارند ( لین،علیخان وهوانگ 2002) در ایـن زمـینه مـدلـهای «ARCH/GARCH» نیز مورد اسـتفاده قـرار گرفـته اند( انگل 1982 وبولرس لو 1986). اما هنوز سریهای دیگری وجود دارند که نمی توان با بهره گرفتن از این روشها به پیش بینی قانع کننده ای در خصوص آنها دست یافت . تحقیقات اخیر در زمینه شبکه های عصبی نشان داده است که این شبکه ها ویژگیهای لازم جهت کاربردهای مرتبط از قبیل درون یابی یکنواخت وغیر خطی، توانایی فراگیری سریهای پیچیده غیر خطی وقابلیت وفق شدن با توزیع های مختلف آماری را دارند.
از میان روش های هوشمند ، سیستم های عصبی کاربرد زیادی در مورد سریهای زمانی دارند. این سیستمها با دریافت اطلاعات مربوط به ورودیهای (سری زمانی اعداد) ارتباطات بین آنها را کشف کرده ومعادله مربوط را فرا می گیرند وآن را برای نتایج بعدی تعمیم می دهند. شبکه های عصبی مصنوعی شکل بسیار ساده ای از سیستم عصبی طبیعی هستند . همانطور که می دانیم شبکه عصبی انسان از سلولهایی به نام نرون تشکیل شده است که این نرونها اطلاعات دریافتی را ذخیره وپردازش کرده ارتباطات بین آنها را کشف می کنند. سیستم های عصبی مصنوعی نیز از یک سری نرونهای عصبی بسیار ساده استفاده می کنند. این شبکه ها بسته به نوع مدلی که انتخاب می شود از چند لایه تشکیل می شوند که نرونهای عصبی در این لایه ها وجود دارند  در حقیقت کار اصلی را این نرونها و ارتباطات بین آنها را انجام می دهند . یک شبکه عصبی دارای یک لایه ورودی ، یک لایه خروجی و یک یا چند لایه میانی می باشد . نحوه پردازش داده ها توسط شبکه برای ما قابل درک نیست وبه همین خاطر لایه های میانی را لایه های پنهان نیز می گویند.
تکنیک های مدلسازی به وسیله شبکه های عصبی نتایج موفقیت آمیزی در مسایل پیچیده ای مانند تقریب توابع پیچیده با هر دقتی ، تشخیص الگو و پیش فرایندهای خطی داشته اند . از طرف دیگر بازار بورس و روند قیمت های سهام وتغییرات شاخص ها و به طور کلی مسایل اقتصادی دارای یک سری روابط غیر خطی هستند وشبکه های عصبی نیز توانایی های زیادی برای حل معادلات غیر خطی دارند.
این تحقیق برآن است تا شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران را با توجه به سری زمانی آن در گذشته پیش بینی نماید . در تکنیک سری زمانی محققان سعی دارند از نحوه تسلسل شماره ها، فرایند ایجاد آنها را حدس بزنند، چنانچه اعداد سری مربوط از یک توزیع یکسان پیروی کنند یعنی در طول زمان مستقل از یکدیگر بوده واحتمال وقوع یکسان داشته باشند، هر استراتژی که انتخاب شود خوب است ولی اگر عددی احتمال وقوع بیشتری را نسبت به سایر اعداد داشته باشد استراتژی منتخب عدد مزبور را مدنظر قرار خواهد داد ( هندریکسون ، 1992) همچنین اگر احتمال وقوع عددی بستگی به تسلسل گذشته اعداد داشته باشد ، بالطبع استراتژی مناسب تری را می توان طراحی نمود. بنابراین سری زمانی ارقام، اطلاعاتی را پیرامون نتایج آتی فراهم ساخته وتصمیمات بعدی را تحت تاثیر قرار می دهد .
 
1-2- اهمیت موضوع
بورس آیینه تـمام نـمای وضـعیت اقتصادی یک کـشور است . بـورس اوراق بهادار از سویی مرکز جمع آوری پس اندازها و نقدینگی بخش خصوصی به منظور تامین مالی پروژه های سرمایه گذاری بلند مدت و از سوی دیگر محل رسمی و مطمئنی است که دارندگان پس اندازهای راکد می توانند محل مناسب سرمایه گذاری را جستجو کرده و وجوه مازاد خود را برای سرمایه گذاری در شرکتها به کار اندازند و متناسب با ریسکی که محتمل می شوند بازده خود را کسب کنند .
شوکهای ناگهانی بازار وسقوط قـیمتها تـعداد زیادی از سـرمایـه گـذاران را از بازار خارج می کند. تخصیص منـاسب منابع مالی در بازار سرمایه، خصوصاً بورس تـهران یکی از مـهمترین و اصلی ترین مشکلات روز است . تخصیص صحیح منابع نیازمند زمینه های مناسب سرمایه گذاری و وجود ابزار و تکنیک های تحلیلی مناسب در بازار است که موجب افزایش اطمینان سرمایه گذاران و کارایی بازار نیز خواهد شد . رفتار سهام در بازار مانند اغلب پدیده های طبیعی ، رفتاری غیر خطی است . استفاده از روش های مختلف هوش مصنوعی در بازار سرمایه ، علاوه بر کارایی بیشتر بازار ، بازدهی بیشتر آن و تخصیص مناسب تر سرمایه ، باعث بالا رفتن سطح دانش و آگاهی نیز می شود . شبکه های عصبی به عنوان یکی از سیـستم های هـوشـمند می تواند روابط غـیر خـطی بـین ورودیـها و خروجـیها را بر اساس مجموعه داده هایی که به عنوان مجموعه آموزش به شبکه وارد می شود فرا گرفته و آنها را شناسایی و به داده های مورد آزمون تعمیم دهد .
معامله براساس شاخص های بازار سهام شهرت بی سابقه ای را در بازارهای مالی مهم دنیا کسب کرده است. افزایش تنوع ابزارهای مرتبط با شاخص مالی ، دامنه فرصتهای سرمایه گذاری جهانی را برای سرمایه گذاران گسترش داده است .
 
دو دلیل اصلی برای پیشرفت این ابزارها وجود دارد ( چن ، لیونگ ودایوک ، 2002) اول، آنها ابزارهای موثری را برای سرمایه گذاران به منظور محافظت از ریسک های بالقوه بازار فراهم می آورند . دوم، فرصت های کسب سود جدیدی را برای کسانی که از موقعیت های زمانی

 و مکانی بازار استفاده می برند، ایجاد می کنند . بنابراین پیش بینی بازار سهام از اهمیت و کاربرد بسیار بالایی برخوردار است . از طرف دیگر روش های پیش بینی کلاسیک در جایی که روابط بین پدیده ها غیر خطی و پیچیده می باشند از قابلیت بالایی برخوردار نمی باشد در حالیکه روشها ومدلهای مبتنی بر هوش مصنوعی قابلیت بسیار بالایی در زمینه یادگیری روابط وتعمیم دهی آنها به نتایج بعدی برخوردار می باشند.

 
1-3- بیان مسأله
درخصوص بازارهای سرمایه وقابلیت پیش بینی عناصر مرتبط با آنها ، از قبیل قیمت اوراق بهادار ، حجم معاملات، شاخص ها و…. فرضیه های مختلفی بیان شده است . مهمترین فرضیه ای که در این بازارها مطرح است فرضیه بازار کارا ونظریه گام تصادفی می باشد .این فرضیه بیان می کند که در یک بازار کارا نمی توان با بهره گرفتن از اطلاعات موجود ، قیمت آینده را پیش بینی کرد و به عبارت دیگر فرایند ایجاد قیمتها کاملا تصادفی می باشد . لذا این فرضیه هر نوع تلاشی را در جهت پیش بینی اعداد وارقام بازار رد می کند و بهترین پیش بینی قیمت بعدی را همان آخرین قیمت واقعی می داند . نظریه های مخالف این فرضیه نیز ارائه شده است این افراد که معتقدند قیمت اوراق بهادار را می توان پیش بینی کرد به دو گروه عمده بنیاد گرایان وچارتیستها تقسیم می شوند . بنیاد گرایان با بهره گرفتن از تجزیه وتحلیل بنیادی عوامل موثر بر ارزش ذاتی سهام سعی دارند تا قیمت ذاتی اوراق بهادار را تعیین کنند در حالیکه چارتیستها جهت تعیین قیمت بر اطلاعات گذشته و روند قیمتها متکی هستند . به عبارت دیگر آنها با بهره گرفتن از تجزیه وتحلیل روند داده ها در گذشته سعی می کنند پیش بینی خود را درخصوص قیمت اوراق بهادار حجم معاملات ، شاخصها و… انجام دهند .
در ادبیات مربوط به کارایی بازار سرمایه ، کارایی بازار با توجه به حساسیت قیمت ها به سطوح مختلف اطلاعات ، به سه سطح طبقه بندی شده است که عبارتند از، سطح ضعیف کارایی بازار که در آن قیمت های اوراق بهادار انعکاس کاملی از همه اطلاعات مربوط به گذشته می باشند، سطح نیمه قوی کارایی بازار که در آن قیمت های اوراق بهادار انعکاس کاملی از همه اطلاعات گذشته و حال (به جز اطلاعات محرمانه ) می باشند وسطح قوی کارایی بازار که در آن همه اطلاعات مربوط اعم از اطلاعات گذشته ،حال واطلاعات محرمانه در قیمت ها منعکس شده و در نتیجه فرایند ایجاد قیمت ها تصادفی بوده وپیش بینی قیمت امکان پذیر نمی باشد .
شاخص قیمت سهام نشان دهنده وضعیت کلی اقتصاد یک کشور است . افزایش این شاخص به معنی رونق و بهبودی در اوضاع واحوال اقتصادی وکاهش آن بیانگر بحران ورکود است، لذا پیش بینی این شاخص می تواند در تصمیم گیریهای سرمایه گذاران ، صاحبان صنایع وحتی تحلیل گران بازار سرمایه و اقتصاد مفید واقع شود .
از شبکه های عصبی برای پیش بینی سریهای زمانی علی الخصوص جایی که شرایطی از قبیل ایستایی یا شرایط دیگری که راه را برای به کارگیری تکنیک های کلاسیک فراهم می سازد ، برقرار نیست وسریهای زمانی پیچیده  می باشند بسیار استفاده شده است . سیستم های عصبی که خود مولفه بزرگ و مهمی از هوش محاسباتی می باشند ، به تنهایی کاربردهای زیادی در دنیای علوم فنی مهندسی ، اقتصاد مدیریت و… دارند. به عنوان مثال می توان از کاربرد سیستم های عصبی در پیش بینی قیمت ارز ، پیش بینی قیمت سهام در بورس ، ارزیابی سیاست های مختلف امور بیمه ای و غیره نام برد .
این تحقیق به دنبال این است که شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران را با توجه به سری زمانی اعداد شاخص در گذشته ، پیش بینی نماید . از آنجا که ارقام شاخص در سری زمانی آن، برآیندی از قیمت های سهام وحجم معاملات است و اطلاعات موثر برآن قیمت ها ومعاملات عمدتا اطلاعات تاریخی هستند لذا این تحقیق را می توان به نوعی به عنوان آزمون کارایی بازار سرمایه ایران در سطح ضعیف نیز قلمداد کرد . در این تحقیق برای انجام پیش بینی از شبکه های عصبی استفاده خواهد شد. هر چند در پیش بینی هایی که مبتنی بر روند گذشته می باشند، فرض میشود که گذشته آینه ای برای آینده است و روند گذشته در آینده نیز ادامه می یابد ولی باید توجه داشت که تمامی پیش بینی ها با مقداری عدم قطعیت همراه است .بنابراین نباید امیدوار بود که هر پیش بینی ای کاملا دقیق باشد اما باید انتظار داشت که منافع حاصل از پیش بینی بیشتر از هزینه فرصت از دست رفته ناشی از عدم پیش بینی باشد . در این تحقیق با مدلسازی پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از شبکه های عصبی انتظار می رود که خطای پیش بینی حداقل باشد و مبنای دقیق تری برای حل مسایل مرتبط با اهمیت سهام ارائه گردد.
1-4- اهداف تحقیق
این تحقیق از ابعاد علمی وکاربردی به دنبال تحقق اهداف ذیل است :
هدف علمی : بـررسی وتـجزیه وتـحلیل امـکان اسـتفاده از شبـکه های عصـبی در حـل مسـایل مـربوط به حوزه های مالی و بازار سهام و بیان قوت وضعف آنها.
هدف کاربردی : امکان پیش بینی شاخص پنجاه  شرکت برتر بورس تهران با بهره گرفتن از شبکه های عصبی . همچنین تحقیق حاضر می تواند مورد استفاده سرمایه گذاران اعم از بالفعل وبالقوه در بورس اوراق بهادار قرار گیرد .
1-5- سوال و فرضیه تحقیق
سوال اصلی تحقیق عبارت است از :
« آیا شـاخص پنجاه شـرکت بـرتر بـورس اوراق بـهادار تـهران را می توان با بهره گرفتن از شبکه های عصبی  پیش بینی نمود ؟»
در این تحقیق از مدل شبکه های عصبی برای پاسخگویی به این سوال استفاده خواهد شد.در این روش برای هر بار که پیش بینی انجام می شود ، یک خطای پیش بینی توسط شبکه عصبی محاسبه وارائه می گردد . برای تفسیر معقول بودن خطای پیش بینی لازم است که آن را با خطای پیش بینی حاصل از یک مدل دیگر مورد آزمون قرار داد . مدل هایی که به این منظور استفاده خواهد شد مدل ARIMA و مدل های رگرسیونی می باشد . لذا فرضیه اصلی تحقیق به صورت زیر تدوین می گردد:
1- در پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران خطای پیش بینی حاصل از مدل شبکه های عصبی کمتر از خطای پیش بینی حاصل از مدل آریما است .
2- در پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران خطای پیش بینی از مدل شبکه های عصبی کمتر از خطای پیش بینی حاصل مدلهای رگرسیونی است .
منظور از خطای پیش بینی در عبارت فوق ، ریشه دوم میانگین مربعات خطا است و برای آزمون فرضیه ، فرضیات آماری به شرح زیر تدوین گردیده است :
1-  خطای پیش بینی پنجاه شرکت برتر بورس اوراق بهادار تهران حاصل از مدل شبکه های عصبی برابراست  با خطای پیش حاصل از مدل ARIMA است .
2- خطای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران حاصل از مدل شبکه های عصبی برابراست با خطای پیش بینی حاصل از مدلهای رگرسیونی است .
3-خطای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران حاصل از مدل شبکه های عصبی کوچکتر از خطای پیش بینی حاصل از مدلARIMA  است.
4-خطای پیـش بـینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران حاصل از مدل شبکه های عصبی کوچکتر از خطای پیش بینی حاصل از مدلهای رگرسیونی است .
1-6- قلمرو تحقیق
 قلمرو تحقیق از نظر مکانی محدود به سازمان بورس اوراق بهادار تهران واز نظر زمانی در برگیرنده دوره زمانی 08/04/1371 الی 09/03/1386 می باشد . از نظر قلمرو موضوعی ، تحقیق حاضر به بررسی کارایی اطلاعاتی بازار سرمایه ایران در سطح ضعیف می پردازد .
1-7- متدولوژی وروش تحقیق
روش انجام تحقیق حاضر،پیمایشی و مقایسه ای از نوع همبستگی می باشد. روش گردآوری اطلاعات به صورت کتابخانه ای می باشد که از طریق مراجعه به کتب ، مقالات و منابع موجود در کتابخانه های سازمان بورس اوراق بهادار تهران و جستجو درشبکه جهانی اینترنت و همچنین مطالعه وبررسی پایان نامه ها و رساله های کارشناسی ارشد و دکتری ، مطالب مرتبط به موضوع تحقیق گردآوری و استفاده خواهد شد. به کارگیری شبکه های عصبی با بهره گرفتن از نرم افزار NeuroSolutions 5 و آزمونهای همبستگی و مقایسه ای است .
با توجه به فرضیات تحقیق فرایند پیش بینی شاخص از سه روش شبکه های عصبی و روش ARIMA و روش رگرسیون انجام می شود .هر بار که پیش بینی انجام می شود علاوه بر اعداد و ارقام پیش بینی شده خطای پیش بینی نیز محاسبه وارائه می گردد . برای آزمون فرضیه تحقیق از آزمون مقایسه میانگین استفاده خواهد شد که در اینجا متغیر تصادفی ، مجذور میانگین مربعات خطای (RMSE) حاصل از هرکدام از روشها در هر بار تکرار فرایند پیش بینی می باشد . فرایند پیش بینی از طریق مدل شبکه عصبی ( پس از تعیین ساختار مطلوب شبکه ) 30 بار تکرار می گردد که در این صورت درجه آزادی برابر با 29 می شود . با توجه به اینکه درجه آزادی کوچکتر از 30 می باشد برای آزمون فرضیه تحقیق از توزیع t استیودنت استفاده می شود .
 
– مدرس،احمد،1380،بررسی کاربرد مدل سری زمانی چند متغیری در پیش بینی جریانات نقدی عملیاتی،رساله دکتری دانشگاه علامه طباطبایی.
– Box, J. and Jenkins, G., 1970,”Time Series Analysis: Forcasting and Control”, Holden-Day, San Francisco, CA.