بخشی از مقاله
چکیده
روند شاخص های بازار سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می باشد. در این تحقیق بهپیشبینی شاخص قیمت و بازده نقدی و پیشبینی شاخص صنایع بهصورت مستقل از هم با استفاده از دو تکنیک الگوریتم بهینهسازی فاخته - Cuckoo - و تخمینگر بردار پشتیبان - SVR - پرداخته شده است. در ابتدا پرسش اصلی تحقیق این است که آیا الگوریتم بهینهسازی فاخته و تخمینگر ماشین بردار قادر به پیشبینی شاخصهای بورس شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران هستند؟ و در ادامه مقایسه ای بین این دو روش برای پیش بینی شاخص های بورس اوراق بهادار تهران صورت گرفته است.
داده های جمع آوری شده، داده-های روزانه شاخص قیمت و بازده نقدی و شاخص صنایع از ابتدای سال 1389 تا انتهای سال 1393 از شرکت های پذیرفته شده بورس اوراق بهادار تهران هستند. نتیجه این پژوهش نشان می دهد که هر دو الگوریتم قادر به پیشبینی شاخص قیمت و بازده نقدی و شاخص صنایع میباشند و الگوریتم SVR از الگوریتم COA در پیشبینی شاخص بازده نقدی بهتر است. و به طور مشابه الگوریتم SVR از الگوریتم COA در پیشبینی شاخص صنایع بهتر است.
مقدمه
پیشرفت فزاینده بازارهای پولی و مالی از جمله مسائلی است که اخیراً توجه زیادی را به خود جلب کرده است و گردانندگان بازارهای پولی و مالی توانسته اند با هر سلیقه و هر میزان سرمایه و انتخاب هر نوع دارایی وارد این بازارها شده و فرصتهای مناسب سرمایهگذاری را کسب کرده و سود مناسبی را عاید شوند
بورس اوراق بهادار تهران یکی از این بازارهای بورس است که پس از دوران جنگ تحمیلی و همزمان با برنامه اول توسعه در سال - 1369 - فعالیت خود را آغاز کرد که به عنوان یکی از منابع اطلاعاتی مهم و از ارکان بازار سرمایه است و وظیفه جذب سرمایه پراکنده و تخصیص بهینه منابع را بر عهده دارد. سرمایهگذاران و واحدهای اقتصادی با داشتن اهداف مختلف در این بازارها به دنبال دستیابی به منافع بیشتر و حداکثر کردن ثروت هستند.
از سوی دیگر بازار بورس به عنوان یک ابزار سرمایه گذاری در دسترس برای سرمایه گذاران کلان و عموم مردم میباشد. عوامل بسیاری بر سرمایهگذاری در بازارهای بورس تأثیرگذارند که باعث عدم اطمینان در سرمایه گذاری شده و تغییرات قیمت سهام را به دنبال دارد و باعث شده تا به پیش بینی قیمت سهام در شرکت ها پرداخته شود. در پیشبینی بازار سهام فرض بر این است که بازار سهام تحت تأثیر رویدادها و دادههای کنونی و گذشته است
از این رو پیشبینیهای دقیق کاری دشوار بوده که امکان مدلسازی، تعیین کمیت و شناخت پدیده های بیرونی را نخواهد داشت
به منظور پیشبینی بازار سهام مدلهای بسیاری وجود دارند که شامل مدل سریهای زمانی، مدلهای آماری خطی و غیرخطی هستند. مدل سری های زمانی دارای پیچیدگی بالا، بی نظمی، بیثباتی روندها و اختلال، میباشد این مدل به منظور پیش بینی مقادیر آینده سهام قیمت در افق کوتاه و یا بلندمدت مورد استفاده قرار میگیرند، در صورتی که مدلهای آماری خطی و غیرخطی به پیش بینی روندهای آینده پدیدههای مالی بر اساس داده های کنونی و گذشته میپردازند
از جمله مدلهایی که در پیشبینی قیمت سهام به کار می روند، الگوریتم بهینه سازی فاخته1 و تخمینگر ماشین بردار2 هستند.
الگوریتم فاخته از جدیدترین و قویترین روشهای بهینه سازی تکاملی است که توسط رجبیون و با الهام گرفتن از زندگی پرنده فاخته معرفی شد. این الگوریتم همانند سایر روشهای بهینه سازی مانند الگوریتم ژنتیک، الگوریتم تبرید تدریجی3، الگوریتم ازدحام ذرات، کلونی مورچگان، الگوریتم زنبور عسل و الگوریتم ماهی های مصنوعی4 با یک جمعیت اولیه به نام فاخته شروع می شود.
فاخته تعدادی تخم دارد و آنها را در لانه پرندگان دیگر که تخمهایی هم شکل، هم اندازه و همرنگ دارند مخفی میکند، تعدادی از این تخمها به دلیل مناسب بودن لانههای آن منطقه شروع به رشد کرده و برخی دیگر توسط پرنده میزبان شناسایی شده و از بین میروند. هر چه تعداد بیشتری تخم در یک منطقه رشد یافته و نجات یابند به همان اندازه تمایل فاخته به تخمگذاری در آن منطقه بیشتر می شود، از این رو مکان و موقعیت یکی از پارامترهای الگوریتم بهینه سازی فاخته است. بعد از آنکه فاختهها رشد کرده و به فاخته بالغ تبدیل شدند به سمت بهترین منطقه فعلی سکونت خود حرکت کرده و در منطقهای نزدیک بهترین موقعیت فعلی ساکن می شوند.
با در نظر گرفتن تعداد تخمی که هر فاخته میگذارد و فاصله فاختهها از منطقه بهینه فعلی برای سکونت تعداد شعاع تخمگذاری محاسبه می شوند، بعد از آن فاختهها شروع به تخمگذاری تصادفی درون لانههای داخل شعاع می کنند و تا بهترین محل برای تخمگذاری - منطقه با بیشترین سود - پیش میروند. این محل همان جایی است که بیشترین تعداد فاختهها در آنجا گرد میآیند. پس از چندبار تکرار تمام جمعیت فاختهها به یک نقطه بهینه با حداکثر شباهت تخمها به تخمهای پرندگان میزبان و همچنین به محل بیشترین منابع غذایی میرسند که بیشترین سود کلی و کمترین هزینهها را در بردارد. بر این اساس گامهای این الگوریتم عبارتند از:
-1 تشکیل مکان سکونت جمعیت اولیه فاختهها به وسیله تعدادی نقطه تصادفی
-2 تخصیص تعدادی تصادفی تخم به هر فاخته
-3 تعریف شعاع تخمگذاری برای هر فاخته
-4 قرار دادن هر فاخته در شعاع تخمگذاری مربوط به خود
-5 از بین رفتن تخمهای فاخته توسط پرنده میزبان
-6 رشد تخم های شناخته نشده در لانه پرنده میزبان
-7 ارزیابی محل سکونت فاختههای رشد کرده جدید
-8 از بین بردن فاخته هایی که در محلهای بد زندگی میکنند و محدود کردن آنها
-9 دسته بندی و محاسبه بهترین دسته و انتخاب محل سکونت بهینه
-10 ایجاد جمعیت جدید فاخته ها در اطراف محل سکونت بهینه
-11 توقف الگوریتم در صورت مطلوب بودن شرایط و یا شروع الگوریتم از مرحله دوم در صورت نامطلوب بودن الگوریتم.
ماشین بردار پشتیبان یکی از مدلهایی است که به منظور حل مسائل ردهبندی توسط وپنیک1 و همکاران - 1995 - طراح شد
این مدل بعدها برای حل مسائل رگرسیونی و تخمین دادهها توسعه داده شد و به عنوان مدل رگرسیون بردار پشتیبان شناخته شد
این مدل همچنین الگوریتمی است که نوع خاصی از مدلهای خطی را مییابد که حداکثر حاشیه ابرصفحه را حاصل میکنند. حداکثر کردن حاشیه ابر صفحه منجر به حداکثر شدن تفکیک بین طبقات میشود. به نزدیکترین کردن نقاط آموزشی به حداکثر حاشیه ابرصفحه بردار پشتیبان گفته میشود که تنها از این بردارها برای مشخص کردن مرز بین طبقات استفاده میشود
در این مدل مجموع دادههای وردی به شکل - X i,Yi - 1 i l که هستند، میباشد. متناظر با هر یک از این داده ها یک مقدار اسکالر y نیز وجود دارد. ساده ترین تابع تخمینگر به صورت f - x - wt b می باشد که رابطه بین دادههای برداری x و مقادیر خروجی y را به بهترین شکل ممکن و با کمترین خطای ممکن تخمین میزند. هدف این روش پایین آوردن ریسک سرمایه گذاری و هزینه وپنیک است که توابع آن در روابط 1 - و - 2 آمده است.
