مشیری و مروت (۱۳۸۵) شاخص کل بازده سهام را با مدل های خطی و غیر خطی پیش بینی نمودند .آنها با بهره گرفتن از داده های روزانه و هفتگی شاخص در بازه زمانی ۱۳۷۷تا ۱۳۸۲و به کار گیری از روش های مختلف پیش بینی مانند مدل های GARCH وARIMA و شبکه عصبی ،شاخص کل را پیش بینی نمودند. نتیجه حاکی از آن است که مدل شبکه عصبی ،خطایی کمتر از دو مدل دیگر دارد. اما در آزمون معناداری مشخص شد که این تفاوت ها معنا دار نیستند به عبارت دیگر،دقت مدل های پیش بینی از نظر آماری تفاوت معناداری ندارد .
عادل آذر و همکارانش در سال ۱۳۸۵ در پژوهشی پیش بینی شاخص سهام را با سه رویکرد روش‌های کلاسیک، رویکرد هوش مصنوعی و رویکرد ترکیبی انجام دادند. نتایج این تحقیق بیانگراین حقیقت است که شبکه‌های عصبی فازی بر روش ARIMA برتری داشته و دارای ویژگی‌های منحصربفرد همگرایی سریع ودقت بالا هستند و برای پیش بینی شاخص قیمت سهام مناسب می باشند.

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

منجمی وهمکاران (۱۳۸۸) درپژوهشی تحت عنوان” پیش بینی قیمت سهام دربازاربورس اوراق بهاداربااستفاده ازشبکه‌ی عصبی-فازی والگوریتم‌های ژنتیک ومقایسه‌ی آن باشبکه‌ی عصبی مصنوعی"نشان دادند که از نقطه نظر معیارهای ارزیابی عملکرد، پیش بینی قیمت سهام روز بعد توسط مدل ترکیبی شبکه‌ عصبی-فازی والگوریتم ژنتیکی دقیقتر از شبکه‌ عصبی است. به عبارتی دیگر، پیش بینی قیمت سهام با بهره گرفتن از شبکه‌ عصبی– فازی و الگوریتم های ژنتیکی، خطای برآورد قیمت سهام را نسبت به تکنیک شبکه‌ی عصبی مصنوعی کاهش می دهد.
عباسپور (۱۳۸۱) مطالعه ای جهت پیش بینی قیمت سهام شرکت ایران خودرودر بازار بورس تهران با بهره گرفتن از شبکه عصبی مصنوعی انجام داده و از داده های روزانه برای دوره زمانی ۱۳۸۰-۱۳۷۹ استفاده نمود. بر اساس یافته های تحقیق متغیرهای موثر بر قیمت سهام شرکت “ایران خودرو” شامل نرخ ارز، قیمت نفت، نسبت P/E (قیمت به درآمد) و حجم مبادلات سهام بود. نتایج این تحقیق نشان از برتری نتایج حاصل از پیش بینی قیمت توسط شبکه عصبی مصنوعی نسبت به روش باکس–جنکنیز می باشد.
تحقیق دیگر ابریشمی و همکاران (۱۳۸۷)، مقایسه دقت پیش بینی مدلهای رگرسیونی و مدلهای غیرخطی اعم از مدل شبکه عصبی (GMDH) را در زمینه قیمت بنزین در بازارهای مختلف جهان با تأکید بر بازار سنگاپور طی دوره زمانی ۲۷ جولای ۲۰۰۶ و۱۰ ژانویه ۲۰۰۷ و داده های روزانه بوده است.
مهرآرا و همکاران (۱۳۸۹) با بهره گرفتن از مدلهای شبکه عصبی الگوریتم ژنتیک (GMDH)، اقتصادسنجی GARCH1,1)) و مدل ترکیبی شبکه عصبی (GMDH) و اقتصادسنجی GARCH1,1)) به بررسی بیثباتی قیمت نفت برنت و وست تگزاس اینترمدیت را طی دوره ۵/۱۲/۱۹۹۰-۲/۲/۲۰۱۰ با داده های روزانه پرداخته اند.
تحقیق دیگری که توسط مهرآرا و همکاران (۱۳۸۸) با رویکرد شبکه عصبی GMDH صورت پذیرفته است در زمینهی الگوسازی و پیش بینی شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران میباشد. این پژوهش سعی در شناخت متغییرهای مؤثر بر شاخص بورس اوراق بهادار داشته است و یازده متغیر کلان اقتصادی مرتبط با بازار سرمایه به همراه وقفه های یک و دو ماهه هر کدام از آنها و وقفه های متغیر وابسته، الگویی با ۳۵ متغیر ورودی را ایجاد کردند. نتایج به دست آمده نشان دهنده تأثیر قوی و معنادار شاخص قیمت زمین، هزینه مسکن، پایه پولی، کرایه ،CPI ، مسکن اجاره ای و قیمت جهانی نفت خام بر شاخص قیمت و بازده نقدی بورس اوراق بهادار است. در مقابل، بازار ارز خارجی و طلا، ارتباط کمتری با بازار سهام داشته است.

۲-۱۷-۲: پیشینه خارجی :

چائوهان و همکارانش(۲۰۱۴) ^[۱۸] در پژوهش خود تحت عنوان پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی به تجزیه و تحلیل وقایع سال های قبل(اطلاعات تاریخی) در بازار بورس برای پیش بینی قیمت سهام آتی شرکت ها اقدام کردند. آنها برای پیش بینی خود از الگوریتم شبکه عصبی BP استفاده نمودند. این مدل دارای سه لایه داخلی، لایه پنهان و لایه خارجی می باشد. نهایتا آنها به مدل بهتری برای پیش بینی قیمت سهام دست یافته اند.
شرزهای و همکاران (۱۳۸۷) ^[۱۹] نیز با بهره گرفتن از مدلهای شبکه عصبی الگوریتم (GMDH)، ساختاری و سری زمانی به پیش بینی تقاضای آب شهر تهران در سالهای ۱۳۷۹-۱۳۸۳پرداخته اند. نتایج تمامی این تحقیقات نشان میدهند که بر اساس معیار جذر میانگین مربع خطای پیش بینی (RMSE) مدلهای شبکه عصبی GMDH نسبت به سایر مدلها اعم از ساختاری، رگرسیونی و سریزمانی دقت پیش بینی بالاتری دارند.
دیوادوز و لیگوری(۲۰۱۳)^[۲۰] در پژوهش خود تحت عنوان پیش بینی قیمت سهام با بهره گرفتن از شبکه های عصبی مصنوعی به بررسی بازار سهام هندوستان پرداختند. به طور خلاصه نتایج پژوهش آنان حاکی از پیش بینی دقیق شبکه های عصبی مصنوعی با انحراف بسیار اندک می باشد.
ژی یانگ ژانگ (۲۰۰۶)^[۲۱] به پیش بینی روند قیمت سهام بورس شانگ های با استفاده ازماشین‌بردار‌پشتیبان (SVM) پرداخت . او شاخص روزانه قیمت سهام بازار شانگ های را از سال ۲۰۰۳ تا ۲۰۰۵استخراج نمود و آنهارا به دو دسته آموزش و آزمون تقسیم نمود . همچنین از توصیه های تقریبا ۴۰۰ تحلیلگر بازار سرمایه و پیش بینی آنها به عنوان متغیر ورودی استفاده نمود . نتیجه مطالعه او نشان داد ماشین‌ بردار‌ پشتیبان(SVM) قابلیت پیش بینی بالایی دارد و ترکیب ماشین‌ بردار‌ پشتیبان (SVM) با مدل های هوشمند حتی نتیجه بهتری از خود مدل ماشین بردار پشتیبان( SVM) دارد.
ام -تی سانگ و همکارانش (۲۰۰۷) ^[۲۲] کاربرد شبکه عصبی NN5 را در پیش بینی قیمت سهام هنگ کنگ بررسی نمودند. این سیستم بر روی داده های سهام دو شرکت سهامی بانکداری هنگ‌کنگ و شانگ های آزمون شده است. این سیستم نرخ موفقیت کلی بیش از ۷۰ درصد را نشان می دهد.
کلی‌لوگان (۲۰۰۷) ^[۲۳] به پیش بینی میزان حجم پول در اقتصاد آمریکا توسط مدل تخمینگر حداقل درجه و روش های بیزی پرداخته است. او از متغیر‌های نرخ بهره بلند مدت، نرخ بهره کوتاه‌ مدت، نرخ بیکاری، میزان سپرده‌گذاری و هزینه خدمات پولی در بازه زمانی ۱۹۶۰ تا ۲۰۰۹ به صورت ماهیانه استفاده کرده است. نتایج تحقیق نشان از برتری پیش بینی مدل تخمین گر حداقل درجه می‌دهد.
مینگ چی لی (۲۰۰۹) ^[۲۴] به پیش بینی شاخص نزدیک NASDAQ با یک مدل ترکیبی تخمین گر‌ بردار ‌پشتیبان SVR)) و مقایسه آن با شبکه‌های عصبی پرداخته است. در این پژوهش مدل تخمین گر‌ بردار ‌پشتیبان (SVR) با تابع ‌FSSFS ترکیب و توسط ۲۹ شاخص فنی به عنوان مجموعه‌‌ای از ویژگی‌های کامل در جهت تغییر شاخص استفاده گردیده است. داده های تحقیق از سال ۲۰۰۱ تا ۲۰۰۷ بوده که ۸۰% داده ها جهت آموزش مدل و ۲۰%داده‌ها برای آزمون استفاده گردیده است. نتایج تحقیق نشان از برتری مدل ترکیبی تخمین گر بردار پشتیبان (SVR) نسبت به شبکه عصبی می‌باشد.
یاکوب کارا و همکاران (۲۰۱۱) ^[۲۵] در پژوهشی به پیش بینی جهت حرکت شاخص قیمت سهام بورس استانبول با مدل‌های شبکه عصبی– فازی و ماشین بردار پشتیبان (SVM)پرداختند و از داده‌های روزانه ۱۹۹۷تا ۲۰۰۷ به همراه ۱۰ شاخص فنی به عنوان متغیر‌های ورودی مدل استفاده گردیده است. شبکه عصبی– فازی ۷۴/۷۵% ومدل ماشین ‌بردار ‌پشتیبان ۵۲/۷۱% از عهده پیش بینی برآمدند و عملکرد بهتر شبکه عصبی– فازی نسبت به مدل ماشین بردارپشتیبان حاصل گردید. همچنین بهترین عملکرد پیش بینی متعلق به سال ۲۰۰۱ بوده است .
شاه و مرتزا (۲۰۰۰) ^[۲۶] مدلی را با بهره گرفتن از شبکه‌های عصبی مصنوعی برای پیش بینی ورشکستگی شرکت‌ها، ارائه دادند. دقت پیش بینی این مدل ۷۳ % بدست آمد و مدلی کارا است.
شین، لی و کیم(۲۰۰۵) ^[۲۷] با بهره گرفتن از ماشین بردار پشتیبان، مدلی را برای پیش بینی ورشکستگی مطرح کردند. آن‌ها عملکرد مدل‌شان را با عملکرد شبکه‌های عصبی مصنوعی مقایسه نمودند. مطالعه آن‌ها نشان داد که ماشین بردار پشتیبان هم از نظر تعمیم ‌پذیری و هم از نظر دقت کلیِ مدل، عملکرد بهتری دارد.
گولیوسوف و کوندراشوا (۱۹۸۷) در پژوهشی، قابلیت مدل شبکه عصبی بر پایه الگوریتم (GMDH) را در استخراج اطلاعات کافی در مورد وابستگی متقابل شاخص های مالی کشورها با سیستمهای اقتصادی حاکم بر آنها نشان داده است.
ایواخننکو و مولر (۱۹۹۶) در پژوهش خود، دستاوردهای شبکه عصبی GMDH را در پیش بینی و تحلیل بازار سهام ارائه نمود. واتر و دیگران (۱۹۹۷) از دیگر استفاده کنندگان این الگوریتم جهت پیش بینی شاخص قیمت سهام بودند. لمکه و مولر (۱۹۹۷) از یک شبکه عصبی مبتنی بر الگوریتم GMDH دو مرحله ای بدین ترتیب که ابتدا به پیش بینی سبد سهام پرداخته و سپس در مرحله بعد با طراحی یک ساز و کار “کنترل فرآیندی” توانستند پیش بینی ها را به سیگنالهای خرید و فروش تبدیل نمایند.
پاندیا و کندو (۱۹۹۹) به پیش بینی شاخص بازار سهام بر اساس این روش پرداختند. هاولند و وس (۲۰۰۳) در پژوهشی به پیش بینی میزان جریان گاز طبیعی از مخازن پرداختند. همچنین سوهیبنجارد و پرمکایسواد (۲۰۱۰)، مهرآرا و همکاران (۲۰۱۰)، تانگ سنگ (۲۰۰۷) و کوایانگ و همکاران (۲۰۰۵) علاوه بر مدل ANN از مدلهای BPNN، GMDH، MBNN و ANFIS در زمینه پیش بینی قیمتها در بازار سهام استفاده کرده اند. تمامی تحقیقات به این نتیجه دست یافتند که مدلهای مختلف شبکه عصبی دقت پیش بینی بسیار بالایی دارند.
جدول شماره ۲-۱: پیشینه تحقیق و تفاوت پیشینه مورد بررسی با تحقیق حاضر