پیشبینی رفتار قیمتی سهام در بورس اوراق بهادار با استفاده از شبکهي عصبی مصنوعی )مطالعه موردي شرکت پاالیش نفت اصفهان(

Transcript

1 مجله مهندسي مالي و مديريت اوراق بهادار شماره سيويکم / تابستان 7936 پیشبینی رفتار قیمتی سهام در بورس اوراق بهادار با استفاده از شبکهي عصبی مصنوعی )مطالعه موردي شرکت پاالیش نفت اصفهان( تاریخ دریافت: 59/80/80 تاریخ پذیرش: 59/18/23 1 حسين بديعي 2 روح اله رضازاده 3 هادی محمودی چكيده شبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این تحقیق هدف محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چند الیه از شبکههای عصبی مصنوعی بپردازد و با روش های مختلف خطای این پیش بینی را بهبود بخشد. قیمت گذاری باالی سهام می تواند با کاهش تقاضا برای سهام در دست واگذاری فرایندخصوصی سازی را با شکست مواجه سازد و قیمت گذاری نازل سهام نیز با ایجاد شبهات متعدد در زمینه نحوه واگذاری اموال عمومی شکست درازمدت سیاست واگذاری را به دنبال دارد. باتوجه به اهمیت این مقوله نو پابودن بازارسرمایه و نیز عدم وجود موسسات تامین سرمایه و بانكهای سرمایهگذاری در ایران پیشبینی رفتار قیمت سهام و روند صعودی و یا نزولی بودن آن میتواند در تصمیمات و استراتژیهای مدیران موثر باشد. مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام با به کارگیری دادههای روزانه از طریق شبکه عصبی صورت پذیرفته است. نتایج بدست آمده نشان می دهد که مدل شبکه عصبی دارای خطای پایین و قدرت توضیح دهندگی باال و در نتیجه از قدرت پیشبینی خوبی برخوردار می باشد. واژههای كليدی: شبکه عصبی مصنوعی قیمت سهام بورس اوراق بهادار رفتار قیمتی سهام. -1 دانشجوی دکتری حسابداری دانشگاه عالمه طباطبایی تهران ایران. عضو هیأت علمی دانشگاه آزاد اسالمی واحد تهران جنوب گروه حسابداری تهران ایران badiei@iau.ac.ir 2- دانشجوی دکترای مدیریت مالی دانشگاه آزاد اسالمی واحد علوم و تحقیقات و مدرس دانشگاه آزاد اسالمی واحد یادگار امام)ره( گروه حسابداری تهران ایران. )نویسنده مسئول( Rohollahrezazadeh2016@gmail.co.m 3- دانش آموخته مدیریت مالی در مقطع کارشناسی ارشد دانشگاه آزاد اسالمی واحد فیروزکوه تهران ایران 761

2 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان مقدمه در طول چند س لا اخیر رشد و توسعه بازار سرمایه کشور و معرفی ابزارها سازوکار و پدیده ه یا نو در آن اهمیت بازار سرمایه را در اقتصاد کشور ارتقاء داده است.پیش بینی قیمت سهام یکی از مساي ل مهم در بازاره یا مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان گذشته به خود جلب نموده است.اهمیت مهم متغیرهای از یکی مالی بازاره یا این در این حوزه را در چند دهه موضوع از آنجا ناشی می شود که پیش بینی قیمت سهام در سرمایه ه یا تصمیم زمینه بهادار)مشتقه ها (و مدیریت ریسك است.از آنجا که سرمایه گذاران بازاره یا روند بعدی قیمت ها مطلع شوند فعاالن بتوانند با پیش بینی که روش ه یا گذار قرار گیرد این نمایند.در آتی این قیمت سهام سود سرمایه خود را قیمت گذاری بازار درصدد دستیابی و به کارگیری روش دهند افزایش اوراق گذاری بورس همواره عالقه مندند از هایی هستند تا.بنابراین ضروری به نظر می رسد مناسب صحیح و متکی به اصول علمی در تعیین قیمت آینده سهام فرآروی افراد سرمایه. اقتصاددان نا از بین بینی محسوب می شوند.در س لا به وسیله ماشین ه یا افزایش یافته است.شبکه ه یا ه یا برای پیش بینی در بیشتر موارد از روش ه یا پرکاربردترین روش ARMA2 و ARIMA1 فرآیند خطی اخیر به موازات پیشرفت ه یا الکترونیکی به کارگیری مدل ه یا عصبی از معروف ترین این اقتصاد سنجی استفاده می ه یا رگرسیونی در پیش قابل توجه در پردازش سریع اطالعات غیرخطی در میان اقتصاددان نا است که استفاده از آن در دهه نود مورد توجه پژوهشگران قرار گرفته است. قلمرو مکانی این به طور چشم گیری مدل ها در حوزه پیش بینی متغیرهای اقتصادی تحقیق بازار بورس اوراق بهادار تهران و قلمرو موضوعی تحقیق شرکت پاالیش نفت اصفهان می باشد. با توجه به ضرورت مدل سازی برای پیش در این سوال پاسخ دهیم که شبکه عصبی مصنوعی و روش رگرسیونی ARIMA تا چه قمیت سهام هستند و این بینی قیمت سهام با استفاده از دو که کدام یك از قدرت بیشتری برخوردارند لذا هدف از روش فوق است. مطالعه درصدد آن هستیم تا به این اندازه قادر به پیش بینی پژوهش این مقایسه پیش سهم اوراقبهاداری است که حقوق سهامداران را به منظور مشارکت در مدیریت و منافع شرکت و نیز دریافت بخشی عدم از ارزش آن در صورت انحالل در بر می گیرد لذا سهام ابزاری است که مالکیت را مشخص و معرف ادعا بر سهم نسبی دارایی و منافع شرکت است.در حقیقت سهام اوراقبهادار بدون سررسید با خصیصه اطمینان از سود آتی و قیمت فروش مورد انتظار است)آزاد 1301(. بورس اوراق بهادار به معنای یك بازار متشکل و رسمی سرمایه است که در آن خرید و فروش سهام شرکت ها یا اوراق قرضه دولتی یا موسسات معتبر خصوصی تحت ضوابط و قوانینی و مقررات خاصی انجام می شود. مشخصه مهم بورس اوراق بهادار از سویی مرکز جمع آوری پس اندازها خصوصی بمنظور تامین مالی و نقدینگی بخش پروژه های سرمایه گذاری بلند مدت است و از سوی دیگر مرجع رسمی و مطمئنی است که دارندگان پس اندازه های راکد می تواند محل نسبتا مناسب و ایمن سرمایه گذاری را 761

3 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي به جستجوکرده و وجود مازاد خود را برای سرمایه گذاری در شرکتها بکار انداخته و یا با خرید اوراق قرضه دولتی و شرکتها معتبر از سود معین وتضمین شده ای بر خوردار شود)خدابخش 1303(. از یکی مثابه کاهش قیمت سهام عموما به معنای رکود اقتصادی و افزایش آن به مفهوم رونق اقتصادی است. اولین بار شاخص قیمت سهام در سال 1001 درآمریکا مورد استفاده قرار گرفت. این شاخص در صنعت راه آهن از میانگین ساده یازده شرکت بدست می آمد. در مجموع شاخص قیمت سهام در تمامی بازار های مالی دنیا مهمترین معیارها سنجش برخودارند)پاکدین امیری و دیگران 1300 (. زیادی توجه و اهمیت از بهادار اوراق بورس عملکرد در سال های اخیر در پی پیشرفت هایی که در زمینه رایانه و هوش مصنوعی و هم چنین کشف روابط آشوبی در سری های زمانی غیر خطی پدید آمد فعالیت هایی در جهت پیش بینی قیمت در بورس اوراق بهادا ر در کشورهای مختلف انجام شد. تکنیك های هوش مصنوعی که شامل شبکه های عصبی است نتایج موفقیت آمیزی در زمینه حل مسایل پیچیده به دست آورده اند. )خالوزاده حمید 13١١ (. در طی چند دهه ی اخیرشبکه های عصبی مصنوعی حضور موفقی در مباحث مدیریت و مالی داشته اند و مقاالت بسیاری در این زمینه اراي ه شده و ایده ی آموزش برای حل مساي ل شناسایی الگوهای پیچیده با استفاده از دیدگاه عامل های داده هوشمند برای محققان دانشگاهی بسیار چالش برانگیز شده است. شبکه های عصبی یك ابزار ارزشمند برای دامنه ی گستردهای از حوزه های مدیریت است که به عنوان یك جزء حیاتی اغلب سیستم های داده کاوی باعث تغییر روش نگاه سازمان به ارتباط بین داده ها و استراتژی شرکت می شود.)لیسبو 2882( شبکه های عصبی پرسپترون چند الیه) MLP ) پرکاربردترین شبکه های عصبی هستند که در اغلب تحقیقات مورد استفاده قرار گرفته اند. یك الگوریتم پس انتشارخطا جهت آموزش این شبکه های چند الیه پیشخور با توابع محرك مشتق پذیر می تواند برای انجام عمل پیش بینی شناسایی و طبقه بندی الگو استفاده شود.در تحقیق حاضر نیز پس از بررسی های الزم از شبکه ی عصبی چند الیه پرسپترون استفاده می شود. اگر بتوان شبکه عصبی را به عنوان یك مدل موفق در پیش بینی قیمت سهام به حساب آورد وضعیت پیش بینی کنندگی آن در چه سطحی است نوسان نرخ ارز چه تاثیری بر پیش بینی قیمت سهام دارد نوسان قیمت نفت چه تاثیری بر پیش بینی قیمت سهام دارد نسبت P/E چه تاثیری بر پیش بینی قیمت سهام دارد حجم مبادالت سهام شرکت چه تاثیری بر پیش بینی قیمت سهام دارد 763

4 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان مباني نظری و مروری بر پيشينه پژوهش در این بخش ابتدا مباحث قیمت گذاری و استراتژی های استفاده شده در تحقیقات مبتنی بر ارزشیابی و قیمت گذاری سهام تشریح و سپس مروری بر پژوهش های گذشته صورت می پذیرد. دارائي) Assets ( در معنای وسیع هر مایملکی که ارزش مبادله ای و منفعت آتی دارد داراي ی تعریف می شود که شامل دو نوع مشهود و نامشهود می باشد. )Financial داراييهای مالي) Assets از جمله داراییهای نامشهودند که دارای منفعت یا ارزش معمول نقدینه ای در آینده است.دارایی های مالی در حقیقت اوراق بهادار) Security (هستند که از جمله آنها می توان از اوراق قرضه ) Bods ( سهام ممتاز) stock Preferrd (و سهام عادی Stoch( Common (یاد نمود.)رهنمای رودپشتی فرزین 1305(. انواع مكاتب ارزشيابي اوراق بهادار جامعه علمی از ابتدای قرن بیستم سه مکتب اساسی در تئوری های ارزش اوراق بهادار را تجربه کرده است.هریك از این سه مکتب دارای نظریه پردازان و طرفدارانی است که استداللهای آنها متفاوت از دیگری می باشد: )1 )2 )3 مکتب مد لهای تکنیکی Technical Analysis مکتب مد لهای بنیادی Fundamental Analysis مکتب بی نظمی و پویایی خطی و غیر خطی - مكتب مدلهای تكنيكي از طریق تعقیب قیمت و روند های خاص الگو های قیمت را به دست آورده و نتایج کارهای خود را بر مبنای تصمیمات سرمایه گذاری قرار می دادند. استفاده از روشهای فنی تحلیل اوراق بهادار انجام می پذیرد. - مكتب مد لهای بنيادی در این گونه مد لها اساسا به ارزش ذاتی سهم توجه می شود که تحلیل اقتصاد صنعت رقبا و شرکت در این مکتب ضروری است. - ارزشيابي اوراق قرضه اوراق قرضه عبارت از ورقه قابل معامله که معرف مبلغی وام یا بدهی است با بهره معین که تمامی آن یا اجزای آن در موعد یا مواعد معینی باید مسترد گردد. ارزش ذاتی معیار تعیین ارزش اوراق قرضه است.

5 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي = ارزش ذاتی اوراق قرضه p= a ارزش فعلی بهره های دریافتی P= P ارزش فعلی اصل دریافتی I= مبلغ بهره پرداختی r= نرخ بازده P= n مبلغ اصل اوراق n= عمر مفید اوراق از مولفه های موثر بر تعیین ارزش اوراق قرضه نرخ تنزیل جهت محاسبه ارزش فعلی عایدات آینده است. رويكرد های ارزشيابي سهام عادی و تكنيک های خاص رويكرد ارزشيابي حقوق صاحبان سهام روش تنزيلي جريان نقد - ارزش فعلی سود سهام) DDM ( ارزش فعلی جریان نقد عملیاتی ارزش فعلی جریان نقد آزاد روش های ارزشيابي نسبي - نسبت قیمت بر درآمد) P/E ( نسبت قیمت به جریان نقد) P/CE ( نسبت قیمت به ارزش دفتری) P/BV ( نسبت قیمت به فروش) P/S ( ای قيمت گذاری دارايي سرمايه ای از مهمترین مد لهایی که برای پیشبینی بازدهی استفاده می شود مدل قیمت گذاری دارایی های سرمایه های CAPM و مدل س هعاملی فاما و فرنچ است. در این مد لها رابطۀ بین متغیرها خطی تعریف شده است.درمقابل چند سالی است که به کارگیری رو شهای پیشرفتۀ غیرخطی نیز در عرصۀ پیشبینی رفتار آتی قیمت سهام رواج یافته است. مدل شبکه های عصبی نمونه ای از این رو شها است. در نظریۀ بازار کارآ فرض بر این است که قیمت سهام از یك گشت تصادفی پیروی می کند و اصوال این نتیجه گیری را درپی دارد که پیشبینی قیمت سهم در آینده با استفاده از اطالعات موجود امکا نپذیر نیست. کارآیی بازارهای نوظهور و درحال توسعه کمتر از کارآیی بازارهای توسعه یافته است و عدم توزیع متقارن و یکسان اطالعات احتماال باعث می شود که کیفیت پیشبینی حرکت قیمت در این دو گونه بازار متفاوت باشد. 717

6 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 بعضی از تحقیقات اخیر نشان میدهد که مد لهای شبکه های عصبی مصنوعی در بازارهای نوظهور و درحال توسعه عملکرد بهتری دارند. اینکه کدامیك از روشهای پیشبینی قیمت کارآیی بیشتری دارد اهمیت بسیار زیادی در زمینۀ سرمایه گذاری در بورس اوراق بهادار دارد. مدل قيمت گذاری دارائي های سرمايه ای این مدل ارتباط بین ریسك- بازده داراي ی را در ارتباط با بازده بازار تبیین می کند و از رابطه زیر بدست میآید. i نرخ بازده مورد انتظار سهام R= i R= f نرخ بازده بدون ریسك R =نرخ m بازده بازار بر پایه شاخص کل بازار ( f =)R m -R صرف ریسك β= شاخص ریسك سیستماتیك یا ضریب حساسیت جهت محاسبه ضریب حساسیت برای سهم i از رابطه ذیل محاسبه می گردد. ) = کوواریانس بین بازده سهام و بازده بازار = واریانس بازده بازار محاسبه بازده بازار به صورت رابطه ذیل است *100 R: m بازده بازار I: m شاخص بورس در انتهای دوره 1-m I: شاخص بورس در ابتدای دوره جهت محاسبه نرخ بازده مورد نیاز سهام هر یك از شرکت ها از نرخ سود اوراق مشارکت به عنوان نرخ بازده بدون ریسك استفاده می گردد. )نیکومرام رهنمای رودپشتی هیبتی 1309 ( کینز نخستین فردی بود که در 1531 از طریق نوسان های روزانه سود سرمایه گذاری واکنش بیش از اندازه سرمایه گذاران را در بازارهای سهام مشاهده نمود. سپس دی بونت و تالر) ) 1509 این پدیده را مورد بررسی قرار داده و مطرح کردندکه اگر قیمت سهام به طور سیستماتیك از حد خارج شود برگشت آتی فقط با استفاده از داده های مربوط به بازده سهام در گذشته باید قابل پیش گویی باشد.آنها به عنوان طراحان فرضیه واکنش بیش از اندازه مطرح می باشند.شواهد بدست آمده از بررسی های آنها موید این فرضیه بود.زیرا برای

7 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي بیش از نیم قرن پورتفوی ناموفق دارای عملکرد بهتر ازعملکرد بازار بوده است.در حالی که پورتفوی موفق بازدهی کمتر از بازده بازار بدست آورده بود. دهد. مطالعه هیرشلیفر و جیانگ ) 2008 ( شواهد تجربی در زمینه ارزشیابی نادرست سهام نشان ( UMO )می آنها فاکتور ارزشیابی نادرست را بر پایه فعالی تهای تامین مالی شرکت ها تشکیل دادند.نتیجه مطالعات آنها نشان داد که درون سازمانها اطالعات بیشتری در مورد ارزش واقعی شرکت ها داشته و تمایل داشتند که سهام را در زمانی منتشر کنند که احساس می کردند بیشتر از ارزش واقعی ارزشیابی شده و آنها را در زمانی بازخرید نمایند که کمتر از ارزش واقعی ارزشیابی شده بودند. ریفنز زاپرانیس و فرانسیس ) 1551 (با مدلسازی رفتار قیمت سهام توسط شبکه های عصبی عملکرد آن را با مدلهای رگرسیون مقایسه نموده اند.در این تحقیق از شبکه های عصبی به عنوان یك جایگزین برای تکنیك های آماری کالسیك برای پیش بینی سهام شرکتهای بزرگ استفاده شده است.نتایج نشان می دهدکه شبکه های عصبی نسبت به تکنیك های آماری عملکرد بهتری دارند ومدلهای بهتری اراي ه می دهند. تان پروخوف و ونچ )1559 ) سیستمی را طراحی نمودهاند که تغییرات قابل مالحظه ی کوتاه مدت قیمت سهام را پیش بینی می کند. ابتدا پیش پردازشی روی داده ها صورت گرفته و سپس شبکه ی عصبی مدلسازی می شود که موقعیت های خیلی خوب سوددهی را تخمین میزند. گارلیاسکاس به پیش بینی سری زمانی بازار سهام با استفاده از الگوریتم محاسباتی شبکه عصبی مرتبط با تابع کرنل و روش پیش بینی بازگشت خطا اقدام کرد او نتیجه گرفت که پیش بینی سری های زمانی مالی به وسیله شبکه های عصبی بهتر از مدل های آماری کالسیك و دیگر مدل های انجام می شود. کو چن و هوانگ )2881( در مقاله ای با عنوان " كی سیستم هوشمند پشتیبان تصمیم گیری معامالت سهام با به کارگیری و اجتماع الگوریتم های ژنتیك مبتنی بر شبکه ی عصبی فازی و شبکه ی عصبی مصنوعی" به ایجاد سیستمی مشاوره ای در خصوص حفظ فروش یا خرید سهام در بازار بورس مبادرت نموده اند. ویژگی سیستم ایجاد شده فراهم نمودن امکان کمی کردن متغیرهای کیفی دخیل در پیش بینی قیمت سهام است. ا ین محقق در سال 1550 مقاله ای با عنوان مشابه بدون در نظر گرفتن الگوریتم های ژنتیك انجام داده است. در مقاله مذکور پرسشنامه ای با روش فازی دلفی جهت استفاده از نظر خبرگان در پیش بینی قیمت سهام مورد استفاده قرار گرفته است. سوتومایور )2881 ) به پیش بینی جهت حرکت شاخص قیمت سهام برزیل سوتومایور با استفاده از منطق فازی پرداخته است که در نهایت نتیجه ی پیش بینی انجام شده مناسب ارزیابی شده است. ایودل ادبیا )2811 كی( روش هیبریداسیون که ترکیبی از متغیرهای از تجزیه و تحلیل فنی و بنیادی شاخص های بازار سهام را برای پیش بینی قیمت سهام در آینده به منظور بهبود در روش های موجود استفاده کرد. تمرکز این مقاله به منظور بهبود دقت پیش بینی قیمت سهام استفاده از روش ترکیبی که ترکیبی از متغیرها از تجزیه و تحلیل فنی و بنیادی برای ایجاد مدل شبکه عصبی برای پیش بینی قیمت 719

8 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 سهام بود.متغیرهای تجزیه و تحلیل فنی در بررسی او هسته اصلی شاخص های بازار سهام )قیمت سهام در حال حاضر قیمت باز شدن بسته شدن قیمت حجم باالترین قیمت و پایین ترین قیمت و غیره( در حالی که متغیرهای اساسی تجزیه و تحلیل شاخص های عملکرد شرکت )قیمت در سود ساالنه شایعه / اخبار ارزش دفتری با توجه قابل و وضعیت مالی و غیره( روش هیبریداسیون با داده های سهام منتشر شده مورد آزمایش قرار گرفت و نتایج به دست آمده بهبود متغیرهای تنها از استفاده نشان فنی تحلیل و تجزیه داد.همچنین روش با بینی پیش هیبریداسیون رضایت بخش کافی به عنوان یك راهنما برای معامله گران و سرمایه گذاران در تصمیم گیری کیفی بوجود آورد. 3- روش شناسي پژوهش تحقیق حاضر از بعد هدف کاربردی و از نظر نوع روش در زمره تحقیقات پیمایشی می باشد. و از این جهت که گردآوری داده ها از طریق نمونه گیری از جامعه تحقیق میدانی و تجزیه و تحلیل پاسخ های جامعه به سوالت پرسشنامه صورت می گیرد از نوع پیمایشی یا زمینه یابی است. در این تحقیق با استفاده از روش شبکه عصبی به آنالیز داده ها خواهیم پرداخت و خروجی مربوط به این روش را در برنامه MATLAB مستخرج می نماییم. 4- فرضيه های پژوهش فرضيه اول: شبکه عصبی به عنوان یك مدل موفق در پیش بینی قیمت سهام است فرضيه دوم: نوسان نرخ ارز بر پیش بینی قیمت سهام تاثیر دارد. فرضيه سوم: نوسان قیمت نفت بر پیش بینی قیمت سهام تاثیر دارد. فرضيه چهارم: نسبت P/E بر پیش بینی قیمت سهام تاثیر دارد. فرضيه پنجم: حجم مبادالت سهام شرکت بر پیش بینی قیمت سهام تاثیر دارد مدل پژوهش و متغيرهای آن برای انجام این پژوهش داده های مربوط به P/E شرکت پاالیش نفت حجم معامالت سهام شرکت پاالیش نفت نرخ ارز قیمت نفت خام قیمت طال و قیمت سهام شرکت پاالیش نفت اصفهان به عنوان متغیر وابسته به صورت روزانه مورد استفاده قرار گرفته شده است. داده های حجم معامالت سهام شرکت پاالیش نفت اصفهان :سیستم معامالت بورس تحت نظر سازمان بورس اوراق بهادار داده های نسبت P/E شرکت پاالیش نفت اصفهان : سیستم معامالت بورس تحت نظر سازمان بورس اوراق بهادار

9 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي داده های قیمت طال : بانك مرکزی جمهوری اسالمی ایران و سایت های معتبر دیگر داده های قیمت نفت خام :پایگاه اطالع رسانی وزارت نفت داده های نرخ ارز در بازار آزاد :بانك مرکزی جمهوری اسالمی و سایت های معتبر دیگر قیمت سهام شرکت پاالیش نفت اصفهان :سیستم معامالت بورس تحت نظر سازمان بورس و اوراق بهادار واحد نفر - تومان تومان دالر ریال جدول شماره 1- معرفي متغيرهای موجود توضيحات حجم معامالت سهام نام متغير X1 X2 X3 X4 X5 Y P/E نسبت 1 گرم قیمت طالی 10 عیار نرخ ارز قیمت هر بشکه نفت خام قیمت سهام ورودی های مدل)حجم معامالت سهام نسبت P/E قیمت طال قیمت نفت خام نرخ ارز قیمت سهام( و همچنین خروجی مورد نظر نیز که همان پیش بینی قیمت سهام است در جدول 1-2 نشان داده شده است. جدول شماره 2 - ورودی ها و خروجي های مدل نوع متغير ورودی ورودی ورودی ورودی ورودی خروجی نام متغير حجم معامالت سهام شرکت نفت اصفهان P/E نسبت قیمت طال قیمت نفت خام نرخ ارز قیمت سهام 1-5- شبكه عصبي نرم افزار مورد استفاده جهت ساخت مدل شبکه های عصبی مصنوعی Matlab می باشد. این نرم افزار یك زبان فنی با عملکردی قوی در محاسبات است که طی سالیان متمادی و با توجه به نیاز استفاده کنندگان دچار تغییرات و اصالحات زیادی گردیده که از جمله این تغییرات اضافه نمودن جعبه ابزار شبکه عصبی به آن است.

10 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 شبکه های عصبی دارای مؤلفه های بسیار زیاد و معماری های متفاوتی می باشند که استفاده از تمامی این مؤلفه ها و معماری ها از حوصله این پژوهش خارج است. ما در این پژوهش با توجه به تحقیقات قبلی انجام شده. در زمینه پیش بینی قیمت سهام از شبکه های عصبی پرسپترون چند الیه با الگوریتم یادگیری پس از انتشار خطا استفاده نمودیم. تعداد بردارر ورودی و نرون در الیه خروجی به وسیله نگاشتی که برشبکه ارایه می شود قابل تعیین است اما متأسفانه تعداد الیه میانی )پنهان( و تعداد نرون در هر الیه پنهان مسأله ایست که کار با شبکه های عصبی را دشوار و وقت گیر می نماید.اگر تعداد الیه های پنهان و تعداد نرون های هر الیه کافی نباشد شبکه نمی تواند به طور مناسب به یك جواب بهینه همگرا شود و اگر تعداد آن ها بیش از حد الزم باشد شبکه دچار بی ثباتی می شود.)جعفرپور ) 13١5 بنابراین تعداد الیه های پنهان هر شبکه و تعداد نرون در هر الیه مهم است. از سوی دیگر برای اینکه آموزش شبکه با سرعت بیشتری انجام شود و ورودی ها سریعتر به یك جواب بهینه همگرا شوند مرتب نمودن داده ها تأثیرگذار می باشد. یکی از مشکالت کار با شبکه های عصبی نا مشخص بودن مقدار بهینه تکرار در مرحله آموزش به شبکه است. نحوه ارایه مثال ها به شبکه برای آموزش می تواند دسته ای و سیکلی باشد. حال اگر تعداد دفعات ارایه مجدد داده ها به شبکه از حد نیاز بیشتر باشد شبکه شروع به یادگیری خطاها می نماید.برای اجتناب از این موضوع روش های متعددی وجود دارد که دو نوع از آن را اجماأل توضیح می دهیم : 1( قانونمندسازی خودکار 2( توقف زود رس ما در این تحقیق از روش دوم استفاده می کنیم. در اینن روش الزم اسنت تعندادی از داده هنای مجموعنه آموزش )مثال یك چهارم ) را به عنوان مجموعه ارزیابی جدا کنیم. هنگام آموزش شبکه باقیمانده داده ها ی مجموعه آموزش به شبکه ارایه شده و به صورت همزمان میانگین مجذور خطا محاسبه می شود. به طور همزمان تنها ورودی مجموعه ارزیابی نیز به شبکه ارایه شده و خروجی شبکه محاسبه شده و با خروجی مجموعه ارزیابی مقایسه می شود و همزمان میانگینن مجذور خطای آن محاسبه می شود. حال اگر با افزایش سیکل تکرار که همان Epochs ها هستند معیار خطای هر دو مجموعه کاهش یابد شبکه به تکرار ادامه می دهد. )بهرامی 1352( 2-5- مدل سازی با استفاده از شبكه عصبي برای مدلسازی سیستمها براساس دادههای ورودی و خروجی راهکارهای متقاوتی وجود دارد که یکی از این راهکارها استفاده ازشبکههای عصبی برای مدلسازی میباشد. یك شبکه عصنبی بنا توجنه بنه سناختار شبکه از چندین الیه میانی و یك الیه خروجی تشکیل شده است که تعداد الینههنای مینانی بنه پیچیندگی رفتار سیستم مورد بررسی بستگی دارد که معموال با استفاده از یك الیه میانی و یك الیه خروجی منیتنوان مدل مناسبی برای بسیاری از توابع به دست آورد. نحوه کارکرد شبکههای عصبی بدین گوننه منیباشند کنه 716

11 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي ورودیها پیش از وارد شدن به الیه میانی در یك وزن مشخص ضرب میشوند و سپس یك تنابع فعالسنازی در نرونهای الیه میانی بر روی آنها اثر نموده و خروجی هر نرون به وجود میآید که این خروجی با ضنرب شدن در وزن مربوطه وارد الیه بعدی میشود. عملکرد یك شبکه عصبی بنه گوننهای اسنت کنه بنا داشنتن ورودیها و خروجیهای مربوط وزنهای شبکه تنظیم میشوند به گونهای که خطای شبکه که اختالف بنین خروجی مطلوب و خروجی شبکه میباشد کمینه گردد که این کمینه سازی با روشهنای متفناوتی صنورت میپذیرد که معمولترین روش مورد استفاده روش پس انتشار خطا با روش گرادیان نزولی میباشند. شنکل زیر ساختار یك شبکه عصبی را نشان میدهد. شكل شماره 1- ساختار شبكه عصبي 3-5- طراحي شبكه عصبي شبکه عصبی که برای مدل سازی در نظر گرفتهایم یك شبکه با ساختار پیشرو می باشد که دارای یك الیه میانی و یك الیه خروجی می باشد که تابع فعالسازی الیه میانی سیگموید دو قطبی و تابع فعال ساز الیه خروجی یك تابع خطی است. در شکل زیر ساختار شبکه طراحی شده را مشاهده می نمایید. شكل شماره 2- ساختار شبكه طراحي شده برای مدل سازی با استفاده از شبکه عصبی از جعبه ابزار شبکه عصبی نرم افزار MATLAB استفاده شده است که از ١8 درصد داده ها برای آموزش شبکه استفاده شده و سهم داده های تست و ارزیابی شبکه هر یك 19 درصد می باشد. که برای حالت مورد بررسی تعداد داده های آموزش و اعتبارسنجی ١25 و

12 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 تعداد داده های تست 215 می اشد. داده های تست به صورت تصادفی از بین کل داده ها انتخاب شده اند.تعداد نورونهای الیه مخفی با سعی و خطا برابر 18 در نظر گرفته شد. برای این کار شبکه را با تعداد نورونهای مختلف آموزش دادیم و خطای داده های آموزش را برای هر بار اجرا محاسبه کردیم. البته با توجه به تصادفی بودن انتخاب وزنهای ابتدایی در هر اجرا برای هر تعداد نورون 18 بار برنامه اجرا شد و خطای متوسط گیری شده روی 18 اجرا ثبت شد. شکل زیر نمودار خطا را بر حسب تعداد نورونها نشان میدهد. همانطور که دیده میشود شبکه با حدود 18 نورون کمترین خطا را دارد. شكل شماره 3- نمودار خطا بر حسب تعداد نورونها جدول شماره 3- تفكيک داده هابه نمونه های يادگيری آزمون اعتبارسنجي 1 hidden layer with 10 neuron Samples MSE R Training e e-1 Validation e e -1 Testing e e نتايج پژوهش برای بررسی عملکرد شبکه عصبی نیاز است که عملکرد شبکه را برای دادههای تست بررسی نماییم که نمودار زیر خطای شبکه را برای هر سه داده آموزش تست و ارزیابی نشان میدهد که همانگونه که از نمودار نیز مشخص میباشد پس از سه مرحله آموزش به خطای مناسبی دست یافتهایم که همانگونه که مشخص است خطای شبکه برای دادههای ارزیابی در این مرحله در مرتبه است که خطای بسیار مناسبی است. برای بررسی عملکرد شبکه عصبی نیاز است که عملکرد شبکه را برای دادهها تست و بررسی نماییم. ما در این تحقیق دادهها را به صورت شبکه عصبی مصنوعی MLP مورد مطالعنه قنرار میندهیم کنه در اینن روش ١8 درصد داده ها برای آموزش در نظر گرفته شده که نتایج حاصل بصورت زیر نشان داده شده است.

13 Mean Squared Error (mse) پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي 10-3 Best Validation Performance is e-007 at epoch Train Validation Test Best Epochs شكل شماره 4- خطای شبكه برای هر سه داده آموزش تست و ارزيابي شكل شماره 5- پيش بيني( CP(k+1 توسط شبكه عصبي پرسپترون چند اليه )MLP( بدون انتخاب ويژگي بر روی داده های آموزش خروجی شبکه عصبی MLP با داده آزمایش و ارزیابی را برای مدل پیش بیننی قیمنت سنهام بنا اسنتفاده از شبکه عصبی و همچنین 19 درصد دیگر داده ها برای یادگیری شبکه استفاده شده است که در شکل صفحه بعد قابل مشاهده میباشد. 713

14 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 شكل شماره 6- پيش بيني( CP(k+1 توسط شبكه عصبي پرسپترون چند اليه )MLP( بدون انتخاب ويژگي بر روی داده های آموزش در نمودارهای زیر نیز میزان اختالف خروجی شبکه با مقدار واقعی نشان داده شده است که همانگونه که مشاهده میشود با تقریب بسیارخوبی خروجی شبکه به خروجی مطلوب نزدیك است. این مساله میتواند بیانگر اعتبار فرضیه اول که مدل شبکه عصبی را یك مدل موفق در پیش بینی قیمت سهام میداند باشد. شكل شماره 7- ميزان اختالف خروجي شبكه با مقدار واقعي

15 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي نمودار زیر تغییرات گام آموزش را در طول تکرارها نمایش میدهد: شكل شماره 8- تغييرات گام آموزش را در طول تكرارها داده های استفاده شده در این مطالعه از سایت های مرکز آمار ایران و بانك اطالعات سری زمانی بانك مرکزی ایران می باشند در این بخش می خواهیم با استفاده از متغیرهایی که مرتبط با پیش بینی قیمت سهام هستند قیمت سهام شرکت پاالیش نفت اصفهان را پیش بینی کنیم. این متغیرهای تأثیرگذار به عنوان الیه ورودی در شبکه عصبی شناخته می شوند و قیمت سهام شرکت نفت اصفهان به عنوان الیه خروجی یا همان متغیر وابسته شناخته می شود. همانطور که در مطالعات یشین مطرح شد باید بررسی کرد بین متغیرهای مستقل )توضیحی ) و متغیر وابسته چه رابطه ای وجود دارد. برای بررسی میزان تاثیر هر یك از ورودیها بر روی خروجی شبکه عصبی با توجه به اینکه استفاده از چند نرون در الیه میانی موجب به وجود آمدن اثرات غیرخطی بر خروجی میشود برای اینکه بتوانیم معیار مناسبی برای میزان تاثیر هر یك از ورودیها بر روی خروجی بیابیم یك شبکه عصبی دوالیه با یك نرون در الیه میانی در نظر میگیریم که بتوان با استفاده از وزنهای ورودی میزان تاثیر هر یك از ورودیها را برآورد کرد. ساختار شبکه طراحی شده برای این کار به صورت شکل... میباشد. البته باید دقت نماییم که چون تابع سیگمویید که تابع فعالسازی الیه اول است در ناحیه بین یك و منفی یك تابعی خطی میباشد برای قضاوت صحیح در مورد میزان تاثیر ورودیها باید ورودیها در این 717

16 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 ناحیه قرار بگیرند که با کم کردن هر یك از ورودیها از مقدار ماکزیمم و تقسیسم آنها بر اختالف بین ماکزیمم و میننیمم نرمال سازی ورودیها صورت میپذیرد. شكل شماره 9- اليه های ورودی و خروجي برای نرمال سازی که وزنها شبکه به صورت زیر میباشد: حجم فروش P/E قيمت نفت سبد قيمت اونس طال $ متغيرهای ورودی OPEC میزان اهمیت درصد همانطور که دیدیم متغیرهای مهمی که در پیش بینی قیمت سهام از اهمیت باالیی برخوردار است نسبت P/E با تاثیر 31 درصد و قیمت سبد نفت با میزان تأثیر 38 درصدمی باشد. و هرکدام از متغیرهای قیمت طال و حجم فروش به ترتیب برابر 22 درصدو 12 درصد می باشند که فرضیات مطرح شده در تحقیق را تحت پوشش قرار داده و با فرضیات ذکر شده ارتباط مثبت و معنی داری دارد. 7- نتيجه گيری و بحث هدف اصلی این پژوهش پیش بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی مصنوعی می باشد. برای اراي ه ی یك مدل شبکه عصبی برای قیمت سهام ابتدا ضرورت شناسایی و استفاده از داده های تاثیر گذار بر قیمت سهام برای بهبود عملکرد مدل مورد بررسی قرار گرفت متغیرهای نرخ ارز قیمت نفت قیمت طال به عنوان شاخص های اقتصادی و متغیرهای نسبت P/E و حجم معامالت سهام شرکت نفت اصفهان در این تحقیق مورد استفاده قرار گرفتند داده های تحقیق با استفاده از نرم افزار MATLAB متناسب با الگو های ورودی ساختار به صورت آرایه های ورودی خروجی تبدیل و نرم سازی شد. سپس از میان شبکه عصبی MLP الگوریتم های مختلف آموزشی الگوریتم پس انتشار خطا انتخاب شد.در بررسی توابع انتقال با مطالعه تحقیقات گذشته تاثیر توابع مختلف بر روی عملکرد شبکه بررسی گردید که بهترین نتایج مربوط به تابع انتقال سیگموي یدی و خطی می باشد. در بررسی تاثیر معماری شبکه

17 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي برعملکرد شبکه در مجموعه ی آموزش مشخص شد که با افزایش پیش بینی بیشتر می شود. در ادامه شبکه عصبی MLP با سه الیه )الیه ورودی 9 گره الیه پنهان 19 گره الیه خروجی 1 گره ) و الگوریتم یادگیری تابع سیگموي یدی در الیه میانی و تابع خطی در الیه خروجی مورد استفاده قرار گرفت مدل طراحی شده جهت پیش بینی قیمت سهام شرکت نفت اصفهان مورد استفاده قرار گرفت در ادامه خطای پیش بینی بدست آمد. تحقیق حاضر به بررسی پیشبینی قیمت سهام در بورس اوراق بهادار با استفاده از شبکهی عصبی مصنوعی )مطالعه موردی شرکت پاالیش نفت اصفهان( پرداخته است که براساس نتایج به دست آمده از آزمونهای تحقیق نتایج زیر حاصل شده است : )1 )2 )3 به قیمت سهام در بورس اوراق بهادار قابل پیش بینی و متاثر از متغیرهای کالن اقتصادی است به طوری که می توان علت نوسانات قیمت سهام را در این متغیرها جستجو کرد. البته هر شرکت نیز برای خود متغیرهای خاصی دارد که تاثیر آن در مدل به صورت خطا آشکار می شود.که در مقایسه با نتایج پیشینه پژوهش های دیگر می توان نتیجه گرفت که متغیرهای مهمی که در پیش بینی قیمت سهام از اهمیت باالیی برخوردار است نسبت P/E با تاثیر 31 درصد و قیمت سبد نفت با میزان تأثیر 38 درصدمی باشد که بطور اجماع این مساله پذیرفته شده است. گر چه مدل چند شاخصی قادر به پیش بینی بازده سهام با استفاده از متغیرهای کالن اقتصادی می باشد اما شبکه های عصبی مصنوعی در این امر موفق ترند و می توانند خطای پیش بینی را به طور معنی داری کاهش دهندکه در مقایسه با نتایج تحقیقات دیگر اذعان داشته اند که شبکه عصبی فازی و الگوریتم ژنتیك نسبت به استفاده شبکه عصبی به صورت منفرد می تواند دقیق تر باشد.نتایج شبیه سازی نشان داد که پیش بینی های مدل شبکه ی عصب ی مصنوعی نسبت به مدل رگرسیو نی بهتراست. به عبارتی دیگر می توان گفت که مدل شبکه ی عصبی مصنوعی به دلیل انعطاف پذیر ی در مدل بند ی اثرات اصلی و متقابل متغیرهای همراه پیش بینیهای بهتری نسبت به مدل رگرسیونی فراهم کرده است. ارتباط بین قیمت سهام و متغیرهای کالن اقتصادی همواره ثابت نیست و به علل مختلف این همبستگی دچار تغییر می شود. بنابراین برای برازش مدل هایی که هدف آن پیش بینی افق های کوتاه مدت است بهتر است از سری های زمانی نزدیك تر استفاده نشود که در مقایسه با تحقیقات پیشین که بخش های مختلف اقتصاد همه به یك میزان تحت تاثیر این تغییرات قرار نمی گیرند و این خود بستگی بزرگی آن بخش از اقتصاد دارد. شاید به دلیل آنکه بورس سهام ایران در مقایسه با حجم اقتصاد کشور بسیار کوچك است نمی تواند تغییرات واقعی در اقتصاد را به خوبی نشان دهد. زا سوی دیگر از آنجا که اقتصاد ایران یك اقتصاد دولتی است به دلیل وجود فضای بوروکراتیك و کندی مراحل تصمیم گیری تا اجرا واکنش صورت گرفته در متغیرهای اقتصادی با تاخیر زمانی صورت می گیرد.در کالمی ساده تر تغییر در برخی متغیرها از قبیل تورم و رشد اشتغال بالفاصله بر هزینه ها و درآمدهای شرکت اثر نمی گذارد و تاثیرات آن در طول زمان ظاهر می شود و عکس العمل بازار نیز با تاخیر رویت می شود. 719

18 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره سيويکم/ تابستان 7936 فهرست منابع بهرامی علی )1352(" رابطه بین ساختار مالکیت و بازدهی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه عصبی" پایان نامه کارشناسی ارشد دانشگاه آزاد اسالمی فیروزکوه". پیراي ی خسرو و محمدرضا شهسوار )130١( تاثیر متغیر های کالن اقتصادی بر بازار بورس ایران رهنمای رودپشتی فریدون.صالحی اله کرم.) 1305 ( "مکاتب و تئوری های مالی و حسابداری مشتمل بر نظریات مدل ها تکنیك ها و ابزار ها "انتشارات دانشگاه آزاد اسالمی واحد تهران مرکز تهران. نیکومرام هاشم.رهنمای رودپشتی فریدون.هیبتی فرشاد.) 1309 ( "فرهنگ اصطالحات تخصصی مالی"انتشارات دانشگاه آزاد اسالمی واحد علوم و تحقیقات تهران. هیبتی فرشاد.رهنمای رودپشتی فریدون.سلیمانی سوده. )1305( "ارتباط بین دو رویکرد قیمت گذاری سهام در بورس اوراق بهادار تهران". پایان نامه کارشناسی ارشد دانشگاه آزاد اسالمی واحد علوم و تحقیقات. یحیی زاده فر محمود. شمس شهاب الدین. الریمی سیدجعفر )1305( بررسی رابطه نقد شوندگی با بازده سهام در بورس اوراق بهادار تهران. تحقیقات مالی دوره 12 شماره 25. صص Chan,Kalok and Yue-Cheong Chan and Wai-Ming Fong, Free Float and MarketLiquidity: Evidence from Hong Kong Governments Intervention., Hong Kong University of Science and Technology,(2002) Chant.P.D.(1980).on the predictability of corporate earnings per share behavior. journal of finance Chauvet Marcelle and Potter Simon; Coincident and leading indicators of stock market; Journal of Empirical Finance; Vol.7; (2000) pp Hong Harrison; Torous Walter; Valkanov Rossen; Do Industries Lead Stock Markets? accessed on June 23 (2006) Hussain,simon.(1998).Lead indicator models and UK analysts earningforecast accounting and Business Research.vol.28.no.4.pp Ideo,Shingo,Considering the Free Float Adjustment of Topix :the need for new index and possible effects of implementation.(2001) Karpoff, J.M. (1987)The Relation Between Price Changes and Trading Volume; Journal of Financial and Quantitative Analysis, March, Vol.22, pp Rajgopal Shivaram; Shevlin Terry; Venkatachalam Mohan; Does the Stock Market Fully Appreciate the Implications of Leading Indicators for Future Earnings? Evidence from Order Backlog ; Review of Accounting Studies Vol. 8; (2003); pp Wang,Fenghua and Xu, Yexiao, (2004), What Determines Chinese StockReturn?,CFAInstitute,FinancialAnalystsJournal,Volume 60,Number 6. Chambers, L. The Practical Handbook of Genetic Algorithm 8. London, Champan & Hall. (2000).pp Refenes, A., A. Zapranis & G. FrandisStock Performance Modeling Usin Neural Networks (A Comparative Study With Regression Models), Neural Networks. (1994). 7(2): pp

19 پیشبیني رفتار قیم يت سهام در بورس اوراق بهادار با استفاده از شبکهي عصبي مصنوعي... / حسین بديعي روح اله رضازاده و هادي محمودي Wong, Bok., Bodnovich, Thomas A., Selvi, Yakup (1977). Neural Network Applications in Business: A review and analysis of the literature. Decision support systems. ( ) PP Tan, H., K. Prokhorov & K. WunschConservative Thiry Calendar Stock Prediction Using a Probabilistic Neural NetworksProceedings of Computational Intelligence for Financial Engineering Conference, Piscataway, NJ, USA. (1995)., Kuo, R. J., C.H. Chen & Y.C. Hwang. An Intelligent Stock Trading Decision Support System Through Integration of Genetic Algorithm Based Fuzzy Neural Network and Artificial Neural Network.Fuzzy sets and systems, (2001). 118(1).pp Souto-Maior, CForecasting IBOVESPA Index With Fuzzy Logic. MSc Thesis, University Pompeu Fabra, Brazil. (2006). Pp Adebiyi,Ayodele.Stock Price Prediction using Neural Network with Hybridized Market Indicators. Journal of Emerging Trends in Computing and Information Sciences.(2011). VOL. 3, NO. 1,pp.1-9