پایان نامه پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی

چکیده

بازار سرمایه، به دلیل داشتن خواص بسیاری از جمله عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده است. به همین دلایل، رشد این بازارها با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده است. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا بررسی همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین دلایل، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به طور کلی می توان گفت که تلاش های صورت گرفته تا زمان فعلی، در سه دسته برای پیش بینی بازار سرمایه قرار می گیرند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از مدل های ریاضی استفاده می کنند. تلاش برای افزایش قابلیت های مدل های موجود با استفاده از تلفیق این مدل ها با یکدیگر، روند تازه ای است که نتایج رضایت بخشی را نیز به دنبال داشته است. بیشتر این تلاش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با استفاده از تحلیل تکنیکی و تحلیل بنیادی در چارجوب مدل های ریاضی و هوش مصنوعی قرار می گیرند. در همین راستا در پژوهش پیش رو به تلفیق تحلیل تکنیکی، تحلیل به وسیله مدل های سری زمانی و داده کاوی پرداخته و برای اولین بار به پیش بینی دو قیمت برای دوره آینده می پردازیم. مدل های مذکور در قالب شبکه عصبی با یکدیگر تلفیق شده و نتایج نشان دهنده برتری عملکرد شبکه عصبی نسبت به مدل رگرسیون چند متغیره و مدل های سری زمانی دارند.

کلمات کلیدی : پیش بینی؛ شبکه عصبی؛ داده کاوی؛ سری زمانی؛ تحلیل تکنیکی؛ رگرسیون چند متغیره

فرمت پایان نامه: WORD (قابل ویرایش)

تعداد صفحات: 145

فهرست مطالب

فصل اول : کلیات تحقیق   1

1-1- مقدمه  2

1-2- نظریه کارایی بازار سرمایه  3

1-3- ابعاد مختلف بازار سرمایه و ابزارهای پیش بینی   5

1-4- پژوهش‌های مشابه  9

1-5- ضرورت انجام تحقیق و اهمیت تحقیق   13

1-6- اهداف تحقیق   14

1-7- ساختار تحقیق   14

فصل دوم : ادبیات تحقیق   15

2-1- مقدمه  16

2-1-1- تحلیل تکنیکی   17

2-1-2- تحلیل بنیادین   18

2-1-3- تحلیل توسط مدل‌های علمی   19

2-2- آیا بازار سرمایه پیش بینی پذیر است؟  22

2-2-1- نظریه کارایی بازار سرمایه  22

2-2-2- فروض نظریه کارایی بازار  28

2-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه  29

2-2-4- پاسخ نظریه کارا 30

2-2-5- نتیجه گیری   31

2-3- داده کاوی   32

2-3-1- مقدمه  32

2-3-2- مفهوم داده کاوی   33

2-3-4- اهداف داده کاوی   36

2-3-5- داده کاوی و رابطه آن با علم آمار  41

2-4- شبکه عصبی   43

2-4-1- معرفی: 43

2-4-2- کاربرد شبکه های عصبی   44

2-4-3- تعریف پایه شبکه های عصبی   44

2-4-4- ویژگی های شبکه عصبی   46

2-5- تحلیل تکنیکال   59

2-5-1- مقدمه: 59

2-5-2- اندیکاتورهای تحلیل تکنیکال   60

2-6- مرور پژوهش های مشابه  63

2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام  63

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام  70

2-6-3- کاربرد داده کاوی در بازار سهام  75

2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام  77

فصل سوم : روش تحقیق   81

3-1- مقدمه  82

3-2- جمع آوری داده ها 85

3-3- پیش پردازش داده ها 85

3-3-1- کاهش سطری داده ها 86

3-3-2- ساخت اطلاعات مورد نیاز  88

3-3-3- انتخاب داده ها و کاهش ستونی   93

3-4- طراحی شبکه عصبی برای پیش بینی قیمت سهم  95

3-4-1- ساختار شبکه  95

3-4-2- الگوریتم یادگیری   97

3-4-3- توابع فعال سازی   98

3-5- مدل های رقیب و معیارهای سنجش    98

3-6- جمع بندی   98

فصل چهارم : نتایج عددی   99

4-1- مقدمه  100

4-2- جمع آوری داده ها و تشکیل پایگاه داده 100

4-3- پیش پردازش داده ها 101

4-3-1- کاهش سطری داده ها 101

4-3-2- ساخت اطلاعات مورد نیاز  103

4-3-3- انتخاب داده ها و کاهش ستونی پایگاه داده 109

4-4- طراحی شبکه عصبی   115

4-5- اجرای شبکه عصبی و مقایسه نتایج   116

4-6- جمع بندی   121

فصل پنجم : نتیجه گیری   122

5-1- مقدمه  123

5-2- جمع بندی تحقیق   123

5-3- نتایج و نوآوری های تحقیق   124

5-4- پیشنهادات برای تحقیقات آتی   125

کاربرد داده کاوی در شبکه های عصبی

این مقاله در بسته شماره 1 وجود دارد برای مشاهده بسته1 اینجا کلیک کنید.کاربرد داده کاوی در شبکه های عصبی

نویسند‌گان: [ مسعود مهدی خو ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ محمد طاهری ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ فرشته لطفی ] - کارشناس نرم افزار، دانشگاه پیام نور همدان

خلاصه مقاله:

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسرس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکت ها این است که چگونه می توان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعت ها از جمله پزشکی ،آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار می گیرد. تکنولوژی های بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی ، رگرسیون درخت تصمیم و غیره. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیط هایی که از داده کاوی بهره می برند به همراه نرم افزار های آن پرداخته است .

کلمات کلیدی:
داده کاوی، شبکه عصبی، درخت تصمیم گیری، الگوریتم ژنتیک.

مقاله مروری روی مهمترین متدهای متن کاوی موجود وارزیابی آنها

فرمت مقاله : Word

تعداد صفحات : 29

چکیده

    رشد فزاینده پایگاه داده­ها در تقریبا هر ناحیه از فعالیت انسان باعث شده است که نیاز برای ابزارهای قدرتمند جدید برای تغییر دادن داده به دانش مفید افزایش یابد. برای برآوردن این نیاز محققان در ناحیه­های مختلف مانند یادگیری ماشین[1]، شناسایی الگو، آنالیز داده آماری، بصری سازی داده[2]، شبکه­های عصبی، اقتصاد سنجی، بازیابی اطلاعات، استخراج اطلاعات و..... روش­ها و ایده­هایی را کاوش کرده­اند. ذات غیرساخت یافته ی این متون، اعمال همان روشهایی را که ما در مورد پایگاه داده­های غیرمتنی بکار می بریم، غیر ممکن می سازد. بنابراین روش­ها و الگوریتم­های پردازش (پیش پردازش)خاصی برای استخراج الگوهای مفید موردنیاز است. متن کاوی اطلاعات متنی غیرساختیافته را استفاده می­کند و آنرا برای کشف ساختار و معناهای ضمنی پنهان در متن بررسی می­کند. در این مقاله ما به بررسی یکی از جدیدترین زمینه­های مورد تحقیق در داده کاوی، متن کاوی می­پردازیم. در این مقاله روش­های موجود برای پیش پردازش کردن، رده بندی[3]، استخراج اطلاعات[4]، روش­های یافتن روابط شرح داده می­شوند در پایان هر بخش ارزیابی و مقایسه­ای روی روش­های بیان شده در آن بخش صورات می­گیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می­گردند.

[1] Machine learning

[2] Data visualization

[3] classification

[4] Information extraction

پایان نامه سیستم های پشتیبان تصمیم گیری هوشمند

چکیده

دنیای امروز با انبوهی از مسائل تصمیم گیری مواجه است. این واژه ها طیف گسترده ای از نظریه ها و رویکردهای تصمیم گیری را ارائه می کنند. طرفداران بکارگیری الگوهای ریاضی، این شیوه ها را دقیق ترین و بهترین راه دستیابی به تصمیم بهینه، می دانند. در نقطه مقابل ، طراحان رویکردهای مبتنی بر نظریه های ادراکی از تطابق بیشتر روشهای خود با دنیای واقعی سخن می گویند و گروه سومی از صاحبنظران ومدیران نیز وجود دارند که هیچ یک از این دو را باور ندارند! هرسه گروه برای خود دلایلی دارند و شواهدی را برای پشتیبانی از نظریات خود ارائه می کنند. ایا می توان به الگویی که این نظریه های به ظاهر متضاد، را با منطق واحدی تفسیر کند،دست یافت؟ امروز سیستم های پشتیبان تصمیم گیری دوران گذار تکاملی خود را می گذراند و همانند هر سیستم نابالغ دیگری امیزه ای از توانمندیها و ناتوانیها، بیمها و امیدواریها، طرفداران ومنتقدان را به همراه خود دارد. در چنین شرایطی انسان می بایستی دستاوردهای عینی راتجربه و افقهای ذهنی را نظاره کند و این رویکردی است که امروز واقعی را به فردای ارمانی پیوند می زند. کارشناسان ستادی ، معاونان و مشاوران همه درتلاشند تا مدیران را درجهت تصمیم گیری صحیح کمک کنند. شما حتی اگر با این نظر که، مدیریت یعنی تصمیم گیری، موافق نباشید، قطعا این واقعیت که تصمیم گیری بخش مهمی از نقش مدیر و منشا تاثیرنگرش های او در سازمان است را تجربه کرده اید. با این همه ، در میان انبوهی از فعالیتهای ستادی و سیستم های عریض و طویلی که برای حمایت از تصمیم-گیری وجود دارد، نهایتا مدیرکسی است که در اوج تنهایی تصمیم می گیرد! چرا سیستم پشتیبان تصمیم گیری هنوز نتوانسته است نقش موثری را در تصمیم گیری مدیران ایفا کند؟ پروفسور رکس براون استاد تصمیم گیری، دانشگاه جرج میسون امریکاست. وی بیش از 18 سال است که به امر مشاوره مدیریتی اشتغال دارد و تاکنون بیش از 80 کتاب و مقاله منتشر ساخته است. پروفسور براون در مقاله ای می نویسد: "من سالیان دراز است که با مدیران ارشد دولتی کار می کنم ،با این حال نمی توانم ادعا کنم که تعداد زیادی از مشتریان خود را به تصمیم متفاوت و یا بهتری هدایت کرده باشم و فکر نمی کنم دیگران هم شرایط بهتری از این داشته باشند. وی می افزاید: "امکانات کمک تصمیم گیری اعم از رویکردهای کمی و یا ادراکی اثرات بسیار محدودی در تصمیم گیریها داشته-اند".امروزه درحالی که بسیاری از سازمانها توسعه سیستم های پشتیبان تصمیم گیری را در راس برنامه های خود قرار داده اند، برخی از مدیران با پروفسور براون هم عقیده و نسبت به سیستم های پشتیبان تصمیم گیری بی اعتماد هستند. هر دو گروه، برای خود دلایلی دارند وشواهدی را هم برای پشتیبانی از نظریات خود ارائه می کنند. ایا سیستم های پشتیبانی، به بلوغ کافی برای پشتیبانی از تصمیم گیری مدیران رسیده اند؟

تعداد صفحات 173 word

مقدمه. 2

تصمیمگیری و سیستمهای پشتیبان تصمیمگیری.. 2

زمینه های علمی سیستم های پشتیبان تصمیم گیری.. 3

1-1- تصمیم گیری ‏ 5

1-2- دسته بندی مسائل تصمیم. 10

1-2-1- دسته بندی مسائل تصمیم بر مبنای ساختار مسئله. 10

1-2-2- دسته بندی مسائل تصمیم بر مبنای سطوح تصمیم گیری.. 11

1-3- فرایند تصمیم گیری.. 12

1-4- سیستم های پشتیبان تصمیم گیری.. 17

1-4-2- خصوصیات سیستم های پشتیبان تصمیم گیری.. 20

1-4-3- انواع سیستم های پشتیبان تصمیم گیری.. 21

1-5- روش های پشتیبان تصمیم گیری.. 22

1-5-1-بهینه سازی.. 23

1-5-2- تصمیم گیری چندمعیاره: 23

1-5-3- داده کاوی.. 23

1-5-4- استدلال مبتنی بر مورد CBR.. 23

1-5-5- درخت تصمیم. 25

2-1- زیر سیستم مدیریت داده 29

2-1-1- پایگاه داده 30

2-1-2- سیستم مدیریت پایگاه داده 33

2-1-3- ساختار پرس و جو. 34

2-1-4- راهنما 34

2-2- زیر سیستم مدیریت مدل. 34

2-2-1- پایگاه مدل. 35

2-2-2- ابزارهای مدل سازی.. 37

2-2-3- سیستم مدیریت پایگاه مدل. 37

2-2-4- فهرست مدل. 38

2-2-5- اجرا مدل، مجتمع کردن و فرمان دادن. 38

2-4- زیر سیستم مدیریت پایگاه دانش... 41

2-5- طبقه بندی سیستم های پشتیبان تصمیم گیری.. 43

3-1- مدل سازی MSS. 46

3-2- مدل های ایستا و پویا 51

3-2-1- انالیز ایستا 52

3-2-2- انالیز پویا 52

3-3- قطعیت، عدم قطعیت و ریسک... 53

3-3-1- تصمیم گیری درشرایط قطعی.. 53

3-3-2- تصمیم گیری در شرایط عدم قطعیت.. 54

3-3-3- تصمیم گیری در شرایط ریسک... 54

3-4- نمودارهای تاثیرات.. 55

3-5- نرم افزار 56

3-6- مدل سازی MSS با صفحات گسترده 57

3-7- تجزیه وتحلیل تصمیم برای تعدادی پیشنهاد (جدول تصمیم و درخت تصمیم) 60

3-7-1- جدول تصمیم. 61

3-7-2- درخت تصمیم. 63

8- ساختار مدل های ریاضی MSS. 63

3-9-1- اهداف چندگانه. 67

3-9-2- انالیز حساسیت ها 68

3-9-4- جستجوی هدف.. 70

3-10- روش های جستجوی حل مسئله. 72

4-1- نوع و منابع داده 77

4-2- جمع اوری داده، مسائل وکیفیت.. 79

4-3- سیستم های مدیریت پایگاه داده در سیستم های پشتیبان تصمیم گیری.. 81

4-4- انبارداده 81

4-4-1- تفاوت انبار داده و پایگاه داده 84

4-5-1- مدل داده رابطه ای، مدل داده چندبعدی.. 93

4-5-2- حجم های داده ای.. 94

4-5-3- شماهای داده ای.. 95

4-5-4- طراحی پایگاه داده چندبعدی انبارداده 97

4-6- داده کاوی.. 99

4-6-1- مراحل داده کاوی.. 104

4-6-2- خلاصه سازی و به تصویر دراوردن داده ها 105

4-6-3- مدل های پیش بینی داده ها 108

4-6-4- مدل ها و الگوریتم های داده کاوی.. 108

5-2- سیستم خبره 123

5-3- ساختار سیستم خبره 126

5-3-1- معماری سیستم خبره 128

5-3-2- انواع روش های برنامه نویسی و ارتباط با سیستم های خبره 130

5-4- دانش... 131

5-4-1- قواعد. 131

5-4-2- شبکه های معنایی.. 133

5-4-3- قاب.. 133

5-4-4- منطق.. 133

5-5- روش های استنتاج. 134

5-5-1- انواع روش های استنتاج. 135

5-6- ابزارهای ایجاد سیستم خبره 136

6-1- تاریخچه. 139

6-2- دسته بندی سیستمهای پشتیبانی تصمیم بالینی: 143

6-2-1- دسته بندی سیستمهای پشتیبان تصمیم گیری از دید پزشکان. 143

6-2-2- انواع سیستمهای پشتیبانی تصمیم در پزشکی از لحاظ روش و سیستم مورد استفاده 144

6-2-3- انواع مدل های پشتیبانی تصمیم. 144

6-3- ابزار کسب دانش... 145

6-4- مکانیسم های استنباطی استفاده شده درCDSS. 147

6-5- پشتیبانی تصمیم با ابزارهای پیش بینی ساده 149

6-6- طراحی مفهومی DSS برای تشخیص و درمان بیماری.. 151

6-6-1- شبکه بیزین.. 152

6-6-2- درخت تصمیم. 153

6-6-3- شبکه عصبی.. 153

6-6-4- الگوریتم های ژنتیک... 154

6-6-5- شبکه های احتمالاتی علی (سببی) 154

6-6-6- جدول تصمیم. 155

6-6-7- استدلال مبتنی بر مورد. 156

6-6-8- سیستم های مبتنی بر قانون. 156

6-6-9- شرط منطقی.. 157

منابع و مراجع  167

کاربرد داده کاوی در کشف دانش پنهان میان داده های سامانه 137 شهرداری تهران

پایان نامه کارشناسی ارشد مدیریت امور شهری

118 صفحه

چکیده:

شهرداری یکی از کلیدی ترین سازمان هایی است که در ارائه ی خدمات شهری به شهروندان نقش مهمی ایفا می کند. این سازمان با به کار بستن دانش فن آوری اطلاعات و سیستم های مخابراتی و نیز توان متخصصان داخلی و مجرب در مدیریت شهری، سامانه ای را ایجاد نموده است که شهروندان را نسبت به محیط زندگی خویش وارد عرصه مدیریت می نماید و تلاش نموده امور شهری را با مشارکت فعال همین شهروندان به انجام رساند. از این رو می توان سامانه ی 137 را بانک اطلاعاتی دانست که داده های ارزشمندی در زمینه ی مسایل شهری در آن جای گرفته است. 

اطلاعات حاصل از این سامانه، حاوی مطالب مفیدی در مورد خدمات ارائه شده به شهروندان است و می تواند به عنوان منبعی مهم و مناسب در انجام تحلیل های داده کاوی مورد استفاده قرار بگیرد. به عنوان نمونه با استفاده از این تحلیل ها می توان وقایع و مشکلاتی که ممکن است در آینده گریبان شهر را بگیرد پیش بینی کرد و آماده مقابله با این مشکلات شد.

در این تحقیق که از نوع تحقیقات کاربردی –توصیفی محسوب می شود، داده های سال 1389 سامانه 137 با استفاده از نرم افزار کلمنتاین 12 برای انجام فرایند داده کاوی مورد استفاده قرار گرفته است. یکی از نتایج این تحقیق تعیین همگنی مناطق از منظر سامانه 137 با استفاده از تکنیک خوشه بندی به دو دسته است؛ که نشان می دهد مناطقی که در دسته دوم قرار گرفته اند آمادگی و آگاهی بیشتری برای برقراری ارتباط با سامانه دارند و میزان تماس بالاتر شهروندان این مناطق ارتباطی با مشکلات بیشتر آن ها ندارد.

هم چنین با استفاده از قوانین وابستگی ارتباط میان مشکلات، مناطق و نواحی مورد بررسی قرار گرفته است و مشخص گردید کدام نواحی در هر منطقه بیشتر مستعد بروز برخی مشکلات و معضلات شهری هستند که شهرداری می تواند با کسب آمادگی بیشتر از بروز آن جلوگیری نماید.

علاوه بر آن، نتایج به دست آمده، الگوهای جالبی را نیز در پیش بینی تعداد تماس های مربوط به آب گرفتگی و آب افتادگی یک منطقه بر اساس میزان بارش و یا تعیین وابستگی میان پیام های آب گرفتگی بین نواحی مختلف یک منطقه خاص به دست داد.

انتظار می رود نتایج به دست آمده در مدیریت مشکلات شهری و افزایش سطح رضایت مندی شهروندان موثر واقع شود.

کلمات کلیدی: مدیریت شهری، سامانه ی 137، داده کاوی، خوشه بندی، قوانین وابستگی، مدل خطی تعمیم بافته، شبکه عصبی