ژانویه 23, 2021

بکارگیری تبدیل موجک در ارائه مدلی برای پیش بینی شاخص قیمت سهام- قسمت …

1 min read

Mean Squared Error (MSE)  (۳-۲۰)
Mean Absolute Percentage Error (MAPE)  (۳-۲۱)
R2  (۳-۲۲)
Adjusted R2  (۳-۲۳)
در بین چهار معیار ارزیابی عملکرد فوق دو معیار MSE و MAPE مربوط به میانگین خطای استاندارد است و هر چه مقدار آنها کمتر باشد به این معنا است که مدل، پیش بینی را با خطای کمتری انجام داده است در نتیجه کارائی مدل بیشتر خواهد بود. دو معیار ضریب تعیین(R2) و ضریب تعیین تعدیل شده همبستگی بین داده های واقعی و پیش بینی شده را بررسی می کند. مقدار Rبین صفر و یک است و مقدار یک بیان کننده تطابق کامل داده هاست، در نتیجه هر چه مقدار Rبه یک نزدیک تر باشد، مطلوب تر خواهد بود.
۳-۸: خلاصه فصل
در این فصل به بحث روش تحقیق ، روش جمع آوری و تجزیه و تحلیل اطلاعات پرداخته شده است . در ابتدای فصل فرضیه ها و سپس روش تحقیق شامل قلمرو تحقیق ، جامعه و نمونه آماری تحقیق، روش و ابزار گردآوری اطلاعات و روشهای مورد نیاز برای تجزیه و تحلیل اطلاعات و آزمون فرضیه ها بیان شده است و سپس مدل های مورد استفاده در تحقیق توضیح داده شده است. در نهایت معیارهای ارزیابی مدلهای تحقیق بیان گردید.
فصل چهارم
تجزیه و تحلیل داده ها
۴-۱: مقدمه
با توجه به مطالب بیان شده در فصول قبل و همچنین فرضیه های مطرح شده در فصل سوم در این فصل نتایج حاصل از تجزیه و تحلیل اطلاعات ارائه شده است. در این بخش ابتدا با طراحی و آماده‌سازی مدل‌ها، تخمین مدل ARIMA، همینطور آموزش و مدل‌سازی شبکه‌عصبی مصنوعی، استخراج قانون از شبکه عصبی با استفاده از الگوریتم ژنتیک و استفاده از تبدیل موجک برای ترکیب مدل های استفاده شده برای تخمین سری‌ زمانی پرداخته و سپس بر اساس هر یک از روش‌ها به پیش‌بینی شاخص قیمت برای ۴۲ روز آینده پرداخته می‌شود. همانطور که در فصل سوم اشاره گردید ابتدا کلیه متغیرهای تحقیق با استفاده از روش ساعتی نرما گردید.
۴-۲: آزمون فرضیه اول
همانطور که در فصل قبل اشاره گردید، در این مدل ابتدا باید مانایی سری بررسی گردد؛ برای اینکه سری مانا باشد باید قدر مطلق آماره دیکی فولر تعمیم یافته[۱۳۲] کمتر از سه آماره زیر آن باشد. در این پژوهش سری شاخص قیمت با یک مرحله تفاضل گیری شرایط لازم را اخذ و مانا گردید. سپس برای تعیین تعداد جملات خودرگرسیو (p)، و تعداد جملات میانگین متحرک (q)، با استفاده از توابع خودهمبستگی (AC) و خودهبستگی جزئی (PAC) از آمارههای آکائیک و شوارتز استفاده میکنیم ، تعداد جملات خودرگرسیو و میانگین متحرک با آزمون و خطا بدست میآیند بطوریکه با اضافه نمودن مقادیرAR و MA باید به آمارههای آکائیک یا شوارتز توجه نمود و در جایی که این مقادیر به حداقل رسید، در آنجا مدل بهینه میگردد. توجه داشته باشیم که در مرحله اضافه نمودن جملات خودرگرسیو و میانگین متحرک مقادیر آمارههای Inverted AR Roots و Inverted MA Roots در قسمت پایانی بایستی کمتر از قدرمطلق یک باشد. با توجه به توضیحات بالا مدل ARIMA با یک مرحله تفاضلگیری مانا گردید و با تعداد جملات خود رگرسیو ۳ و تعداد جملات میانگین متحرک ۲، مدل فوق بهینه گردید. در شکل ۴-۱ پیش بینی صورت گرفته با استفاده از مدل (۳،۱،۲) ARIMAو دادههای واقعی برای دوره پیشبینی مورد نظر مقایسه شده است:
شکل ۴-۱: مقایسه مقادیر واقعی و مقادیر پیشبینی شده توسط مدل ARIMA

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.

MSE MAPE R2
۰۰۸۸/۰ ۰۰۷۵/۰ ۹۳۳۳/۰ ۹۲۶۳/۰

پس از تعیین مدل بهینه دقت پیش بینی و عملکرد مدل با استفاده از معیارهای ارزیابی عملکرد که در فصل قبل بیان شد مورد بررسی قرار گرفتند که نتیجهی بررسی عملکرد آن در جدول ۴-۱ نشان داده شده است.
جدول۴-۱: نتایج ارزیابی عملکرد مدل ARIMA
نتایج، بیانگر عملکرد رضایت بخش مدل ARIMA در پیشبینی شاخص قیمت سهام در بورس اوراق بهادار تهران میباشد؛ لذا فرضیه اول تحقیق مبنی بر مطلوبیت مدل ARIMA در پیشبینی شاخص قیمت سهام تایید میشود.
۴-۳: آزمون فرضیه دوم
پیش بینی با استفاده از شبکهی MLP به این صورت است که با انجام عمل آموزش و یادگیری بر روی شبکه، بهترین وزن خروجی که کمترین خطای پیش بینی را نتیجه دهد، انتخاب می شود. بنابراین آماده سازی داده ها برای یادگیری توسط شبکه یکی از مهمترین قسمت های کار با شبکهی عصبی است. از این رو با توجه به مطالبی که در فصل قبل بیان شد، داده ها بین صفر و یک نرمال شدند و سپس در اختیار شبکه قرار داده شدند. از طرف دیگر به منظور سنجش ثبات وزن خروجی، داده ها به دو دسته تقسیم شدند؛ به این صورت که ابتدا یادگیری بر روی داده های آموزشی انجام شده و سپس وزن خروجی نهایی به منظور بررسی دقت پیش بینی شبکه، بر روی داده های آزمایشی، پیش بینی اعمال شد. از کل داده های مورد استفاده حدود %۹۷ به عنوان داده های آموزشی در نظر گرفته شدند و از مابقی آنها برای آزمایش شبکه استفاده گردید. در طی فرآیند یادگیری،‌ مرتباً میزان فراگیری شبکه توسط توابع هدف سنجیده شده و در نهایت شبکه ای مورد پذیرش قرار گرفت که دارای کمترین خطا باشد.
همانطوریکه در فصل قبل بیان شد، به منظور دستیابی به بهترین خطای پیش بینی در شبکهی MLP ، باید آموزش داده ها با پارامتر های مختلف شبکه انجام گیرد تا به خطای بهینه دست پیدا کنیم. برای این منظور، در این تحقیق، با آموزش بیش از دویست الگوی مختلف به خطای قابل قبول رسیدیم. پارامترهای ساختار شبکه نهایی که منجر به خطای بهینه شده ، در جدول ۴-۲ نشان داده شده است.
جدول۴-۲. پارامترهای ساختار شبکه نهایی MLP

Copyright © All rights reserved. | Newsphere by AF themes.