پیش بینی قیمت سهام بانک انصار با منطق فازی با متلب

توضیحات

پروژه پیش بینی قیمت سهام بانک انصار با منطق فازی با متلب :

در این پروژه سه سیستم فازی شبیه سازی شده است.

Project1: در این پوشه سیستم فازی دقیقا بر اساس روابط داخل مقاله شبیه سازی شده است و نتایج به صورت شکل آمده است. در ضمن دیتاهای مربوط به بانک نیز رسم شده اند.

Project2: در این پوشه سیستم فازی بر اساس جدول قوانینی که در شکل 4 مقاله آمده است تمامی شکل ها دوباره به دست آمده است.

Project3: در این قسمت با توجه به شکل 5 مقاله که تنها از 4 قانون استفاده شده است دوباره سیستم شبیه سازی و پیاده سازی شده است.

در هرکدام از پوشه ها یک فایل main قرار دارد که با اجرای آن سیستم فازی مربوط به آن پوشه لود می شود و می توانید دیتاها را مشاهده کنید.

برخی از تصاویر پروژه پیش بینی قیمت سهام

ترجمه قسمتهای اول مقاله:

چکیده

فرآیند تصمیم­گیری در معاملات سهام، فرآیندی پیچیده است. تعدادی شاخص­های تکنیکال وجود دارند که معامله­گران برای مطالعه­ی روند بازار از آنها استفاده کرده و بر اساس مشاهدات خود اقدام به خرید و فروش می­کنند. این تحقیق در تلاش برای استقرار استنتاج فازی در بازار سهام می­باشد. برای این منظور با استفاده از چهار شاخص مورد استفاده در تحلیل­های تکنیکال، جهت مقابله با احتمالات، به فرآیند تصمیم­گیری کمک می­کنند. چهار شاخص تکنیکال عبارتند از، میانگین متحرک همگرایی/واگرایی (MACD)، شاخص قدرت نسبی (RSI)، اسیلاتور استوکاستیک (SO)، و حجم متعادل (OBV). قوانین فازی ترکیبی از قوانین تجاری مورد استفاده برای هر یک از شاخص­ها هستند که به عنوان متغیر ورودی سیستم فازی و همه­ی چهار شاخص تکنیکال مورد استفاده قرار گرفته، توابع عضویت نیز تعریف شده­اند. نتیجه­ی این توصیه نامه، خرید، فروش و یا نگهداشت می­باشد. داد­ها از دو بانک نیجریه­ای جهت آزمایش و ارزیابی سیستم جمع­آوری شده است. سپس شاخص­های تکنیکال برای هر داده محاسبه شده است و با استفاده از شاخص­های تکنیکال محاسبه شده، آزمایش به مدت دو ماه انجام شده است. هنگامی که خروجی با داده­های حقیقی جمع­آوری شده از بورس اوراق بهادار نیجریه مقایسه شود، سیستم توصیه­هایی درباره­ی زمان خرید، فروش و یا نگهداشت ارائه می­کند. بنابراین، هنگامی که ترکیبی از توصیه­ها با مهارت­های فردی تجاری وجود داشته باشد، سیستم می­تواند به عنوان مدلی موثر در بازار سهام عمل کند.

1. مقدمه

1.1 شرح مسئله

بازار سهام یکی از جذاب­ترین مکان­های سرمایه­گذاری است، به ویژه برای معامله­گران، زیرا مکان تجاری مناسبی را برای سرمایه­گذاری­های سودآور بلند مدت و کوتاه مدت فراهم می­آورد. این بازار برای شرکت­ها نیز با اهمیت است، زیرا یکی از منابع اصلی آنها برای ازدیاد سرمایه است. با این حال، معاملات سهام بسیار پر مخاطره است.  فرآیند تصمیم­گیری در بازار سهم بسیار حساس و با اهمیت است، زیرا این تصمیمات باید به شکل درست و در زمان درست گرفته شوند (Ahmed, Raaffat, & Nevins 2007). همچنین، به علت سودآوری بالایی که از بازار سهام انتظار می­رود، هدف سرمایه­گذاری عامه­پسندی است. با این حال، تجربیات اخیر نشان می­دهد که هرچه میزان سودآوری مورد انتظار بالاتر باشد، میزان ریسک آن نیز بالاتر خواهد بود. (Kou, Chen, & Hwang, 2001; Vincent & Bamiro, 2013) بنابراین تحقیقات متعدد، سیستم­های پشتیبانی تصمیم­گیری مختلفی را به منظور ارائه­ی پیش­بینی­های مطلوب برای معامله­گران، بوجود آورده است. با وجود دسترسی عظیم به اطلاعات بازار سهام (که از طریق اینترنت ممکن شده است) کار سرمایه­گذاران برای سرمایه­گذاری دشوارتر شده است، زیرا آنها می­بایست داده­ها را جمع­آوری، تحلیل و فیلتر کرده، و سپس بر اساس چندین داده اقدام به تصمیم­گیری نمایند. این اطلاعات شامل، اطلاعات تاریخی مالی، اطلاعات فعلی و اطلاعات اقتصادی اظهار شده می­باشد. به منظور داشتن تجارتی موفق در بازار­های مالی، توسعه­ی مدل­ها به طریقی که حالت­های مختلف بازار را شناسایی و بر اساس آن تصمیمات را اصلاح نمود، با اهمیت خواهد بود (Jan, Uzay, & Willien, 2004).

یک مطالعه، مدل­های مختلف ارائه شده (در طول این سال­ها) به منظور شناخت، نظارت و پیش­بینی بازار سهام را مورد مطالعه قرار داده است. این مدل­ها به خانواده­ی مدل­های استوکاستیک تعلق داشته و شامل ARCH، GARCH و مدل­های ناپایدار آماری می­باشد (Nicholis & Sumpter, 2011). صرف نظر از مدل­های آماری مورد استفاده به منظور شناخت و پیش­بینی نوسانات موجود در بازار سهام، توجهات بسیاری نیز به برنامه­های کاربردی در ارتباط با تکنیک­های هوش مصنوعی مختلف شده است (همان­طور که توسطPreethi  و  Santhi(2012) مورد مطالعه قرار گرفته).بسیاری از محققان نیز بر روی تحلیل­های تکنیکال تمرکز کرده­اند، زیرا این روش نرخ سرمایه­گذاری را بهبود می­بخشد (Cheung & Kaymak, 2007; Ahmed et al., 2007; Dourra & Siy, 2002; Simutis, 2000, Refenes, Burgess, & Bentz, 1997; Sotiris, Skiada, & Jiannis, 1999; Lin, Chin-Shien, Khan, Ali, Huang, & Chi-Chung, 2002; Zhou, Xu, Shen, Don, & Ming, 2004).

بنابراین، شناخت بازار و توانایی پیش­بینی آینده­ی نزدیک از مهارت­های مطلوب هر سرمایه­گذار می­باشد (Potvin, Soriano, & Vallée, 2004). هدف این تحقیق حل این مشکل تهدید کننده در امور سرمایه­گذاری است و در این راه از مدل شاخص­های استنتاجی ساده برای ساده­سازی محیط پیچیده­ی بازار، به منظور ارائه­ی توصیه­های قابل اعتماد به سرمایه­گذاران، استفاده شده و بر این اساس ابزار پشتیبانی ارزشنمدی فراهم آمده است. برای انجام این کار از منطق فازی برای انجام فرآیند تصمیم­گیری، بر اساس ورودی­های بدست آمده از شاخص­های تحلیلی تکنیکال، استفاده شده است.

1.2 اصلاح روش­ها برای پیش­بینی بازار سهام

روش­های بسیاری برای مطالعه و شناخت بازار سهام بکار گرفه شده است. این روش­ها را می­توان به روش­های آماری، شبیه­سازی بازار بر اساس عامل مصنوعی و تکنیک­های هوش مصنوعی، طبقه­بندی نمود.

1.2.1 روش­های آماری

Nicholis  و  Sumpter(2011) روش­های آماری مختلفی که (در طول سال­ها) به منظور شناخت، نظارت و پیش­بینی بازار سهام توسعه­ یافته­اند، را مورد مطالعه قرار داده­اند. این مدل­ها به خانواده­ی مدل­های استوکاستیک تعلق داشته و شامل ARCH، GARCH و مدل­های ناپایدار آماری می­باشد. GARCH، مخفف واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته است. کلمه­ی “اتورگرسیو” بیانگر مکانیزم بازخوردی است که مشاهدات گذشته را با مطالعات کنونی در هم می­آمیزد. کلمه­ی “شرطی” بیانگر این است که واریانس یک وابستگی به گذشته نزدیک دارد. کلمه­ی “ناهمسانی” بیانگر یک واریانس متغیر با زمان (ناپایدار) است. مدل­های GARCH که توسط Bollerslev (Bollerslev, 1986) معرفی شده­اند، مدل­های ARCH ارائه شده توسط Engle (Engel & Robert, 1982) را به منظور در بر گرفتن اتورگرسیو (AR) و همچنین شرایط میانگین تحرک (MA) تعمیم داده است. این مدل­ها فرض می­کند که واریانس بازده فعلی بازار، تابعی از میزان بازدهی­های پیشین است.

1.2.2 روش­های مدل­سازی بر اساس عامل

روش دیگر موجود، مدل­سازی بر اساس عامل از بازار­های سهام است، که از موسسه­ی Santa Fe (Palmer et al., 1989) سرچشمه گرفته است. بازار­های سهام مصنوعی، مدل­هایی از بازار­های مالی هستند که برای مطالعه و شناخت پویایی بازار از آنها استفاده می­شود. آنها را می­توان مانند هر بازار سهام دیگری که در آن قیمت­ها در نتیجه­ی اندرکنش شرکت­کنندگان تشکیل می­شود، مشاهده نمود. Palmer, Brain, Holland and LeBaron (1994) اولین نمونه از بازار سهام مصنوعی را ارائه نموده­اند. مدل بازار سهام Santa Fe که آنها ارائه کردند شامل یک بازار محاسباتی مرکزی و تعدادی عامل می­باشد. عامل­ها الگوهایی را در قیمت­ها شناسایی کرده و مدل­هایی ایجاد نموده و بر اساس آن اقدام به معامله می­پردازند. Lux and Marchesi (2000) در مورد عامل­های محدود متمرکز شده­اند. آنها عامل­ها را در گرو­هایی مدل­سازی کرده، و در پاسخ به تفاوت­های مشاهده شده در سود­آوری، گروه­ها را بین انواع مختلف معامله­گران (از خوش­بین به بدبین، و بلعکس) تغییر می­دهند. دیگر مدل­های مبتنی بر عامل را می­توان در Chen and Chung-Chi (2005); Zou et al. (2005); Ozun (2006); Feng et al. (2012) and Kato (2012، مشاهده نمود.

نکات قابل ذکر:

• پیش بینی قیمت سهام بانک انصار با استفاده از منطق فازی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایل های پروژه به صورت کامل به همراه گزارش پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.