دانلود پايان نامه اي با موضوع: مدل سازی پیش بینی قیمت سهام با استفاده از شبکه های عص - Artificial Intelligence

**Astaraki** · ۰۷-۳۰-۱۳۸۸, ۰۳:۱۶ بعد از ظهر

عنوان: مدل سازی پیش بینی قیمت سهام با استفاده از شبکه های عصبی فازی و روش های ترکیبی
نویسنده: امیر افسر
استاد راهنما: دکتر عادل آذر
رشته و گرایش تحصیلی: مدیریت صنعتی - تحقیق در عملیات

چکیده:

امروزه، سرمایه گذاری در بورس، بخش مهمی از اقتصاد کشور را تشکیل می دهد، به همین دلیل پیش بینی قیمت سهام برای سهامداران از اهمیت خاصی برخوردار شده است تا بتوانند بالاترین بازده را از سرمایه گذاری خود كسب نمایند. اغلب در سالهای گذشته، از روشهای کلاسیک برای پیش بینی قیمت سهام استفاده می نمودند. با این وجود، بازار سهام یک سیستم غیرخطی است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی است. بنابراین استفاده از روشهای کلاسیک برای تصمیم گیری صحیح برای معاملات بورس بسیار بسیار مشکل است. با پیشرفت و توسعه روشهای غیر خطی همچون شبکه های عصبی، شبکه های عصبی فازی، و الگوریتم ژنتیک، می توان از این روش ها برای پیش بینی قیمت سهام استفاده نمود.
در این تحقیق، سه سناریو مطرح می شود: 1) پیش بینی قیمت سهام با رویکرد روش های کلاسیک، 2) پیش بینی قیمت سهام با رویکرد روش های هوش مصنوعی، و 3) پیش بینی قیمت سهام با رویکرد سیستم های هوشمند ترکیبی. بدین منظور ابتدا مدل های منفرد روش های کلاسیک از قبیل روش های هموارسازی نمایی، تحلیل روند، arima و روشجهای هوش مصنوعی همچون شبکه های عصبی مصنوعی و شبکه های عصبی فازی طراحی شده و ارزیابی عملکرد می شوند. سپس سناریوی سوم، یعنی ترکیب مدل های منفرد جهت ارایه مدل های ترکیبی مورد بررسی قرار گرفته و چهار مدل ترکیبی با توجه به مدل های منفرد طراحی شده است. نتایج تحقیق بیانگر این حقیقت است که برخی از مدل های ترکیبی از تمامی روش های کلاسیک و هوش مصنوعی بهتر عمل نموده و دارای ویژگیهایی همچون همگرایی سریع، دقت بالا، و توانایی تقریب تابع قوی بوده و برای پیش بینی قیمت سهام مناسب هستند.
کلیدواژه ها: شبکه های عصبی مصنوعی، شبکه های عصبی فازی، الگوریتم ژنتیک، پیش بینی، قیمت سهام، سیستم های هوشمند ترکیبی

کل پايان نامه به صورت جداگانه و به ترتيب زير در ضميمه اين تاپيک براي دانلود قرار داده شده:

فهرست
فصل اول پایان نامه
فصل دوم
فصل سوم
فصل چهارم
فصل پنجم
منابع و مآخذ

**Astaraki** · ۰۷-۳۰-۱۳۸۸, ۰۳:۲۱ بعد از ظهر

ادامه
فصل 5
منابع

fors90 · ۱۰-۳-۱۳۸۸, ۱۲:۰۴ بعد از ظهر

سلام بابت پايان نامه ممنونم
اما صفحه 7 تا 42 رو نداره ناقص هست اگه امكنش هست اون رو هم بزارين اگر هم
هزينه داره پرداخت ميكنم. آدرس ايميلم اينه click3@gmail.com
واقعا ممنون ميشم كمكم كنيد نياز دارم تو شهر ما هيچي پيدا نميشه (زاهدان)
ترم آخر كامپيوترم ممنون

Matin_Delphi · ۰۴-۱۳-۱۳۸۹, ۰۲:۳۰ بعد از ظهر

چرا در شبکه های عصبی در پیشینی بورس اینقدر mse بالاست مگه نباید در حد صدم یا هزارم باشه
از اساتید خواهش میکنم لطفا جواب بدید

**mardin200** · ۰۴-۱۳-۱۳۸۹, ۰۶:۴۲ بعد از ظهر

منظورتون mean square error است؟
حالا از چه نوع شبکه ای استفاده کردید؟

Matin_Delphi · ۰۴-۱۴-۱۳۸۹, ۱۲:۱۶ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله mardin200

منظورتون mean square error است؟
حالا از چه نوع شبکه ای استفاده کردید؟

سلام دوست عزیز
از شبکه feed forward استفاده کردم و trainlm
کلا تو مقاله ها که میخونم MSE بالاست
من میگم مگه نباید در حد صدم یا هزارم باشه
برای منم خطای شبکم در خد ده هزاره هر کاری هم میکنم پایین نمیاد یعنی ممکنه مشکل از داده ها باشه تعداد داده هام 200 نمونه هست
اگه دیتا ست خوب سراغ داری یه لینک دانلودشو برام بزار دستت درد نکنه

**mardin200** · ۰۴-۱۴-۱۳۸۹, ۱۲:۲۶ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله Matin_Delphi

سلام دوست عزیز
از شبکه feed forward استفاده کردم و trainlm
کلا تو مقاله ها که میخونم MSE بالاست
من میگم مگه نباید در حد صدم یا هزارم باشه
برای منم خطای شبکم در خد ده هزاره هر کاری هم میکنم پایین نمیاد یعنی ممکنه مشکل از داده ها باشه تعداد داده هام 200 نمونه هست
اگه دیتا ست خوب سراغ داری یه لینک دانلودشو برام بزار دستت درد نکنه

منظورتون از مقاله، مقاله های بالا است؟
من اونها رو مطالعه نکردم.
روش feed forward یک روش همگراست و در نهایت شما باید به اون مقدار خطای مد نظرتون برسید.
بدست آورندن یک روش خوب بیشتر با آزمون و خطا بدست می آید.
مثلا تعداد لایه ها را تغییر دهید یا اینکه تعداد نرون های لایه پنهان را کم و زیاد کنید تا یک حالت بهینه را بدست آورید.
یا روش آموزش را به BP تغییر دهید

Matin_Delphi · ۰۴-۱۴-۱۳۸۹, ۰۲:۱۰ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله mardin200

منظورتون از مقاله، مقاله های بالا است؟
من اونها رو مطالعه نکردم.
روش feed forward یک روش همگراست و در نهایت شما باید به اون مقدار خطای مد نظرتون برسید.
بدست آورندن یک روش خوب بیشتر با آزمون و خطا بدست می آید.
مثلا تعداد لایه ها را تغییر دهید یا اینکه تعداد نرون های لایه پنهان را کم و زیاد کنید تا یک حالت بهینه را بدست آورید.
یا روش آموزش را به BP تغییر دهید

روش آموزش الان bp هستش من کلی هم با نرونا ور رفتم اما خطا باز هم در هد هزار و ده هزار هستش من فکر میکنم مشکل از داده ها باشه که خیلی پرت باشن
شما دیتاستی سراغ نداری به من معرفی کنی تو نتم سرچ کردم ولی دیتاستها فرمت هاش CVS هست و باید دونه دونه 6000 رکوردو دستی وارد مطلب کنی
الان دیتا ستی که گرفتم شامل exchange,stock_symbol,date,open,high,low,close,vol ume,adj close اینهاست .. شما میدونی ورودی و خروجی در شبکه عصبی با توجه به این اطلاعات چی باید باشه . لطفا کمکم کنید

Matin_Delphi · ۰۴-۱۵-۱۳۸۹, ۱۲:۱۵ بعد از ظهر

دوستان کسی نیست کمک کنه
من مقادیر ,open,high,low,close رو دارم حالا باید چی رو پیشبینی کنم
یعنی چه مقادیری رو باید به عنوان test,validation به شبکه عصبی بدم و چه مقادیری رو به تابع trian بدم و چه مقادیری مقدار target منو تشکیل میده خواهش میکنم کمکم کنید

**mardin200** · ۰۴-۱۵-۱۳۸۹, ۱۲:۲۹ بعد از ظهر

دیتا ست شما داده های validation و test را مگه جدا نکرده است؟
اگر به این صورت نیست شما از 80% داده ها برای train استفاده کنید و از 20% هم برای test
البته شما از crossover هم می توانید استفاده کنید.
target بخش خروجی داده های شماست. مثلا اگر شما بخواهید داده هایتان را کلاس بندی کنید نوع کلاس را مشخص می کند.
من دیتاست شما را ندیده ام و نمی دانم ورودی ها و خروجی شما چه شکلی هستند.