بخشی از مقاله
چکیده-
سرمایه گذاری در بازار بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. افزایش میزان سود و کاهش ریسک سرمایه گذاری در بازار بورس یکی از مهم ترین دغدغه سرمایه گذاران می باشد. اخیراً سرمایه داران به منظور کاهش ریسک های سرمایه گذاری به استفاده از شاخص ها و اندیکاتورها در بازارهای سهام علاقهمند شدهاند، زیرا تصمیمگیری بهموقع و مناسب سهامداران در خصوص خرید سهام جدید و یا فروش سهام موجود، آن ها را در کاهش ریسک های بازار و افزایش فرصت های سرمایه گذاری یاری می کند.
دو اندیکاتور شاخص قدرت نسبی و میانگین متحرک همگرا/ واگرا از اندیکاتورهای مهم و کاربردی بازار بورس می باشند که در این پژوهش بکار گرفته شده اند. در این پژوهش میزان تأثیرگذاری شاخص های متحرک بازار بورس در روند پیشبینی رفتار سهام بررسی شده و با ارائه مدلی مبتنی بر مدل مارکوف و سیگنالهای دو اندیکاتور RSI و MACD به پیشبینی رفتار روندی سهام فولاد مبارکه اصفهان پرداخته شده است.
در تعیین سیگنالهای اندیکاتور RSI، با توجه به هم پوشانی بازه مقادیر آن، سیستم فازی سوگنو بکار گرفته شده است. پس از تعیین مجموعه داده، محاسبه مقادیر اندیکاتورها و تعیین سیگنال های دو اندیکاتور RSI و MACD، مدل مارکوف به منظور پیش بینی رفتار روندی سهام با ورودی سیگنالهای اندیکاتورها طراحی و آموزش داده شده است. روش پیشنهادی بر روی مجموعه داده سهام فولاد اصفهان انجام شد و بر اساس معیارهای Accuracy، Precision، Recall و F-measure ارزیابی و با روشهای اتو رگرسیون و مدل میانگین متحرک خود کاهنده و مدل مخفی مارکوف مقایسه گردید و به صحت متوسط 78.86 درصد و بیشترین صحت 82.93 رسید.
-1 مقدمه
امروزه سرمایه گذاری به بخش جداناپذیر از زندگی مردم تبدیل شده و بسیاری از مردم تلاش دارند با سرمایه گذاری در زمینه های مختلف سود بیشتری کسب کنند. یکی از زمینه هایی که مردم بیشتر تمایل به سرمایه گذاری در آن را دارند، بازار سهام است، اما بازار سهام دارای ماهیتی غیرقطعی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی میباشد و این امر پیشبینی قیمت را دشوار میسازد.
پیشبینی رفتار قیمت سهام یکی از پیچیده ترین مکانیسم هایی می باشد که محققان در طی سالیان دراز مطالعاتی در این زمینه انجام دادهاند. در سالیان اخیر تحقیقات گستردهای به منظور یافتن مدلهای مناسب در پیش بینی رفتار این بازارها صورت گرفته است. بیشتر این تحقیقات از تکنیک های تحلیل سری های زمانی آماری و مدلهای رگرسیون چندگانه بهره گرفتهاند.
الگوریتم های پیش بینی با استفاده از روش های سری زمانی، توزیع خطا را برحسب توزیع نرمال مشخص می کنند. مطالعات بیان می کند که نوسانات قیمت سهام از توزیع نرمال پیروی نمی کند.
بنابراین بهموازات پیشرفتهای قابل توجه در پردازش سریع اطلاعات به وسیله ماشین های الکترونیکی، به کارگیری مدل های غیرخطی از جمله شبکه های عصبی مصنوعی، منطق فازی، شبکه عصبی فازی، شبکه های بیزین، مدلهای مارکوفی و غیره در میان اقتصاددانان بهطور چشم گیرتری افزایش یافته است.
در سال های اخیر سرمایه گذاران به منظور کاهش ریسک های سرمایه گذاری خود به استفاده از اندیکاتورها در بازارهای سهام علاقه مند شده اند، زیرا پیشبینی بازار با دقت بیشتر، آنها را در کاهش ریسک های بازار و افزایش فرصت های سرمایه گذاری یاری می کند
این روش ها با توجه به قیمت و رفتار سهام به پیشبینی آن میپردازند. به دلیل اهمیت و تأثیر بسزای سیگنال های اندیکاتورها در فرایند خرید و فروش سهامداران، وجود مدلی با قابلیت پیش بینی سهام با توجه به سیگنال هایی که اندیکاتورها صادر میکنند، می تواند کمک بسیار زیادی به سرمایه گذاران کند. اندیکاتورها با توجه به رفتار گذشته سهام سیگنالی را برای روند آینده صادر می کنند.
از کاربرد اندیکاتورها می توان به شناسایی بهترین نقاط ورود و خروج به بازار، نشان دادن علائم بازگشت روند در زمانهای خاص، تعیین هشدارهای مناسب تغییر روند و جهت حرکت قیمت و پیش بینی قیمت ورودی و تأیید گرفتن تشخیص درست روند یا جهت اشاره نمود. بیشتر سهام داران با توجه به سیگنال هایی که این اندیکاتورها صادر می کنند، به پیش بینی روند آینده سهام میپردازند. اندیکاتورهای مختلفی به منظور پیشبینی بازار سهام ارائه شده است. از جمله اندیکاتورهای مهم می توان شاخص قدرت نسبی - RSI - 1 و میانگین متحرک همگرا/ واگرا2 - MACD - را نام برد.
هدف از ارائه این مقاله بررسی میزان تأثیرگذاری سیگنال شاخص های متحرک در پیش بینی روند سهام فولاد اصفهان و ارائه مدلی در جهت پیش بینی دقیق تر رفتار روندی سهام با توجه به سیگنال های اندیکاتورها و مدل مارکوف می باشد. ساختار مقاله به شرح زیر است. در بخش 2، به بررسی پژوهش های پیشین پرداخته شده است. بخش 3، شامل مفاهیم پایه، تعاریف و ابزارهای بکار گرفته شده می باشد. در بخش 4 روش پیشنهادی معرفی و تشریح میگردد. بخش 5 ارزیابی الگوریتم پیشنهادی ونهایتاً در بخش 6 نتیجه گیری کلی از این مطالعه بیان شده است.
-2 پژوهشهای پیشین
در سالهای اخیر تحقیقات گستردهای به منظور یافتن مدلهای مناسب در پیشبینی رفتار بازار بورس صورت گرفته است. بیشتر این تحقیقات از تکنیکهای تحلیل سریهای زمانی آماری و مدلهای رگرسیون چندگانه بهره گرفتهاند. الگوریتمهای پیش بینی با استفاده از روش های سری زمانی، توزیع خطا را برحسب توزیع نرمال مشخص میکنند. مطالعات اخیر نشان میدهد که نوسانات قیمت سهام از توزیع نرمال پیروی نمیکند.بنابراین در سالیان اخیر بکار گیری مدلهای غیرخطی از جمله شبکههای عصبی مصنوعی، منطق فازی، شبکه عصبی فازی، شبکههای بیزین، مدل های مارکوف و غیره در میان اقتصاددانان بهطور چشمگیرتری افزایش یافته است
در همین راستا چنگ و همکاران - 2010 - مطالعه جامعی بر روی ویژگی های فنی و اقتصاد کلان انجام داده و 8 نسبت مالی و 10 اندیکاتور اقتصاد کلان را به منظور بهرهگیری از اثرات آنها در تغییرات بازگشت سهام در بازار سهام تایوان بکار بردند. آنها الگوریتم احتمالی پس انتشار، Rough set و درخت تصمیم C4.5 را بکار برده و به صحت %76 رسیدند.
تمرکز پژوهش[18]، بر تحلیل عاطفی اخبار و نظرات به همراه تحلیل فنی بر دادههای سری زمانی جهت پیش بینی روند سهام سه شرکت ژاپنی پاناسونیک، شارپ و سونی در بازار بورس آمریکا بوده است. با استفاده از مدل یادگیری چندهستهای ویژگیها از دو منبع دادههای سری زمانی و شبکه اجتماعی استخراج شد. از سه اندیکاتور ROC و MACD و BIAS در این پژوهش استفاده و در نهایت با معیارهای ارزیابی،MAE و MAPE مقایسه شد و به نتایج خوبی رسید. در سال 2014، 25 اندیکاتورهای تحلیلی فنی به منظور ایجاد الگوی شاخص قیمت سهام بین المللی CAC40 ، FTSE، NASDAQو S&P500 محاسبه و بررسی نوسانات آینده سهام با استفاده از معیار رتبهبندی آنتروپی و ماشین بردار پشتیبان چندجملهای صورت پذیرفت.
برک و مدرس - - 2015، روشی سه مرحلهای در پیشبینی و بازگشت ریسک در بازار بورس سهام تهران با استفاده از الگوریتم نوین ترکیب روش فیلتر و خوشهبندی مبتنی بر تابع ارائه دادند. آنها روشهای داده کاوی چون Naive بیزین، درخت تصمیم، جستجوی اول سطح را به منظور انتخاب ویژگیهای مؤثر بکار گرفتند.
از 44 نسبت مالی و شاخص بنیادی در این پژوهش استفاده و صحت 80.24 کسب شد.[20] سای و شاوو - 2010 - ، 8 نسبتهای مالی و 16 اندیکاتورهای اقتصاد کلان را بهعنوان ویژگیهای اصلی در پیشبینی بازگشت سهام با استفاده از روش پس انتشار در بازار سهام تایوان بکار بردند.
یک سال بعد سای و همکاران - 2011 - اثرات مثبت و منفی در بازگشت سهام 19 نسبت مالی و 11 اندیکاتور اقتصاد کلان بازار سهام تایوان را با ترکیب الگوریتمهای رگرسیون منطقی، پس انتشار MLP و درخت CART بررسی نموده و به صحت 66/67 رسیدند.[17] در سال 2015 روش طبقهبندی و پیشبینی کوتاهمدت بازار سهام هندوستان مبتنی بر متاگراف فازی و اندیکاتورهایRSI،MACD، SMA،EMAارائه شد.
سه بخش جمعآوری مجموعه داده، محاسبه مقادیر اندیکاتورها و طبقهبندی و پیشبینی قیمت سهام با استفاده از سیستم فازی و متاگراف فازی مراحل انجام پژوهش موردنظر بودند. روش فوق در مقایسه با مدل گشت تصادفی، شبکههای عصبی و ماشین بردار پشتیبان مقایسه شد و به نتایج بهتری رسید. تیکنور - - 2013 از شبکه عصبی مصنوعی بیزی بهعنوان روش جدیدی برای پیشبینی رفتار بازار سهام شرکتهای ماکروسافت و گلدمن استفاده کرده است.
نایاک و همکاران - 2015 - ، با روشی مبتنی بر SVM-KNN روند بازار سهام بازار هند را بررسی نمودند. این مدل از SVM با توابع هستهای متفاوتی استفاده کرده و خروجی را در الگوریتم KNN به منظور یافتن نزدیکترین همسایه که همان قیمت سهام در یک روز بعد است، بکار می گیرد.
این روش ترکیبی نتایج قابل قبولی را نشان داده است.[21] پژوهش انجام شده در سال 2012، با استفاده از شبکههای بیزین به پیشبینی نوسانات قیمت بازار بورس پرداخته است. ابتدا مقادیر P/E توسط الگوریتمهای خوشهبندی محاسبه و سپس از شبکه بیزین برای پیشبینی استفاده شد. این روش بر روی سهام تویوتا ارزیابی شد و دقت بالاتری را نسبت به روشهای سری زمانی سنتیداد.
آتسالاکیس و همکاران - 2009 - ، یک روش مبتنی بر عصبی-فازی را برای پیشبینی کوتاه مدت روند بازار بورس پیشنهاد کردهاند. سیستم عصبی- فازی متشکل از یک سیستم استنتاج فازی تطبیقی عصبی است که برای کنترل فرآیند بازار بورس استفاده میشود. این سیستم برای بازار بورس آتن و نیویورک مورد ارزیابی قرار گرفت و نشان داد که روش پیشنهادی از دقت تجاری بهتری در پیشبینی دارد
روش ترکیبی شبکه بیزین- مدل مخفی مارکوف، توسط علامتیان و وفایی جهان در سال2015 ارائه شده است. در این روش با استفاده از شبکه بیزین ویژگی های مؤثر که شامل اندیکاتورها و شاخصهای بازار سهام است انتخاب شده و سپس بر اساس متغیرهای منتخب از شبکه بیزین، مدل مارکوف به منظور پیشبینی نوسانات آینده سهام بکار برده شد.
روشهای فوق بخشی از پژوهشهایی هستند که در زمینه پیشبینی بازار سهام ارائهشده است. در سال های اخیر سرمایهگذاران به منظور کاهش ریسکهای سرمایهگذاری خود به استفاده از اندیکاتورها در بازارهای سهام علاقهمند شدهاند، زیرا پیشبینی بازار با دقت بیشتر، آنها را در کاهش ریسکهای بازار و ا افزایش فرصتهای سرمایهگذاری یاری میکند. از کاربرد اندیکاتورها میتوان به موارد زیر اشاره نمود.
1. شناسایی بهترین نقاط ورود و خروج به بازار
2. نشان دادن علائم بازگشت روند در زمانهای خاص
3. تعیین هشدارهای مناسب تغییر روند و جهت حرکت قیمت
4. پیشبینی قیمت ورودی و تأیید گرفتن تشخیص درست روند یا جهت
در کنار مبحث اندیکاتورها، همواره به واژهای به نام نوساننماها هم اشاره میشود. نوساننما در حقیقت نوع خاصی از اندیکاتورها هستند که همواره بین دو سطح ثابت نوسان میکنند. میانگین متحرک همگرا/ واگرا و شاخص قدرت نسبی دو نمونه از نوساننماهای معروف و پرکاربرد در بازار بورس میباشند.
هر اندیکاتور با توجه سطحی که در آن قرار می گیرد سیگنالی جهت خرید یا فروش سهام صادر می کند. به دلیل کاربردهای مؤثر سیگنا لهای اندیکاتورها در بازار سهام از جمله فرایند خرید و فروش سهام، افزایش اعتماد بیشتر سهامداران به مدل پیش بینی، تأثیر بسزا در تفهیم و تحلیل بهتر بازار و غیره وجود مدلی که با استفاده از سیگنال های تولیدشده توسط اندیکاتورها در دورههای مختلف به پیشبینی سهام بپردازد، اهمیت بسزایی می یابد. در ادامه پس از معرفی مفاهیم و روشها، مدل پیشنهادی مبتنی بر سیگنالهای شاخصهای متحرک بازار بورس و مدل مارکوف بیان شده است.
