پیش‌بینی قیمت سهام با شاخص های ترکیبی به روش شبکه عصبی مصنوعی- قسمت ۲۴

۴-۳٫ دادههای آموزشی، اعتبار سنجی و آزمایشی
برای مدلسازی سؤالات، پس از آماده‌سازی و نرمالسازی دادهها، آن‌ها را به سه بخش دادههای آموزشی، اعتبارسنجی و آزمایشی تقسیمبندی مینماییم. بدین‌صورت که ۷۰ درصد از دادهها برای بخش آموزشی، ۱۵ درصد برای بخش اعتبارسنجی و ۱۵ درصد نیز برای بخش آزمایشی در نظر گرفته شد.
۴-۴٫ پیادهسازی سؤالات مختلف برای پیشبینی قیمت سهام
۴-۴-۱٫ سؤال اول: چگونه می‌تواند قیمت سهام را با استفاده از شاخص‌های ترکیبی به روش شبکه عصبی پیش‌بینی کرد؟
در اولین سؤال ما به دنبال پیشبینی قیمت پایانی برای پنج روز آتی با استفاده از دادههای ترکیبی هستیم. به همین سبب برای پیشبینی قیمت سهام هر شرکت، یک شبکه MFNN با نه ورودی تشکیل دادیم. نه متغیر که ترکیبی از متغیرهای فنی و بنیادی هستند:
متغیرهای تجزیه وتحلیل فنی شامل: ۱٫ اولین قیمت روز گذشته، ۲٫ بیشترین قیمت روز گذشته ، ۳٫ کمترین قیمت روز گذشته ، ۴٫ قیمت پایانی روز گذشته ، ۵٫ قیمت نهایی روز ۶٫ حجم معاملات سهم روز گذشته.
متغیرهای تجزیه وتحلیل بنیادی شامل: ۱٫ سود سالیانه ۲٫ ارزش دفتری ۳٫ سود هر سهم را به‌عنوان نورونهای ورودی شبکه در نظر گرفتیم.
شبکه را با استفاده از کل دادها و داده‌های آموزشی، آموزش دادیم. پس از آموزش شبکه، عملکرد آن را بر روی‌داده‌های آزمایشی سنجیدیم. این عملیات را باکم و زیاد کردن تعداد لایهها و نرونهای هر لایه و با تغییر توابع فعال‌سازی، الگوریتم آموزش پرسپترون و معیار تابع هدف، تکرار نمودیم تا به یک ساختار مناسب دست‌یافتیم. برای تعیین تعداد واحدهای پردازش اطلاعات مناسب، تعداد نرونهای پنهان را از ۱۸ تا ۲۵ برای شرکتهای مختلف آزمایش کردیم. به‌منظور جلوگیری از خطا، فرآیند یادگیری برای هر مدل، ۱۰۰ بار تکرار شده است. میانگین شاخص جذر میانگین مجذور خطا RMSE در مدل‌های برآورد شده با تعداد نرون های مختلف، به شرح زیر حاصل‌شده است:

برای دانلود متن کامل پایان نامه به سایت  jemo.ir  مراجعه نمایید.

تعداد نرون ۱۸ ۱۹ ۲۰ ۲۱ ۲۲ ۲۳ ۲۴ ۲۵
RMSE ۴۶۴ ۳۲۳ ۴۵۳ ۴۴۷ ۱۷۸ ۲۲۳ ۲۳۴ ۲۸۶

جدول ۴-۲ محاسبه معیار جذر میانگین مجذور خطا با تعداد مختلف نرون برای داده‌های ترکیبی(یافتههای محقق)
تعداد نرون با بررسیهای انجام‌شده، بهترین عملکرد توسط شبکه با تغییر نرون در لایه میانی ۲۲ انتخاب گردید. تابع مورداستفاده تابع سیگمودی جهت لایه میانی استفاده نمودیم، تابع خطی به عنوان تابع لایه خروجی و الگوریتم پرسپترون به عنوان الگوریتم آموزش است. در ادامه MFNN، با استفاده از پنج معیار مختلف ارزیابی، عملکرد این مدل بر روی مجموعه دادههای آزمایشی و کل داده‌ها نشان داده‌شده است.