۱-۶-۳-۱: استخراج قانون از شبکه­ عصبی با بهره گرفتن از الگوریتم ژنتیک
عیب مهم و اساسی شبکه ­های عصبی مصنوعی، عدم توانایی در توضیح و تفسیر است.(اندرسون^[۲۳] و همکاران،۱۹۹۶) اگر چه شبکه های عصبی در بسیاری از کاربردهای خود، موفقیت آمیز بوده است، اما دانش مربوطه در توابع انتقال و وزن های نرون ها مخفی می شوند.(بولوگنا^[۲۴]،۲۰۰۴) به هرحال آنها مشابه جعبه های سیاه ممتد هستند که فهم روش حل یک مسئله توسط شبکه های عصبی را دشوار کرده است.(مانتاس^[۲۵] و همکاران،۲۰۰۶) بنابراین اطلاعاتی که توسط شبکه­ عصبی برای دست یابی به پاسخ، بکار گرفته شده است، برای کاربران شفاف نیست و ممکن است در برخی موارد مسئله ساز شود(هوانگ و ژینگ^[۲۶]،۲۰۰۲).

برای حل این مسئله، محققان مایل بودند که یک تکنیک ملموس و قابل فهم برای شبکه های عصبی ایجاد نمایند.آنها اعتقاد داشتند این هدف می تواند با استخراج قانون تولید شده از شبکه های عصبی بدست آید(هوانگ و ژانگ،۲۰۰۲).
از یک دیدگاه می توان تکنیک های استخراج قانون را به سه دسته تقسیم کرد: تجزیه ای^[۲۷]، مبتنی بر آموزش^[۲۸] و منتخبان^[۲۹]. روش تجزیه ای فعالیت و وزن های لایه­ی پنهان را تجزیه و تحلیل می کند؛ در مقابل، روش مبتنی بر آموزش، شبکه­ عصبی را به عنوان یک جعبه­ی سیاه در نظر گرفته و قوانین را با توجه به فعالیت ورودی و خروجی بدست می آورد. هدف این روش استخراج قوانین نمادین است به طوری که ارتباط بین ورودی و خروجی را با دقت بدست می آورد. در نهایت، روش منتخبان، از ترکیب اجزای دو روش فوق پیروی می کند(تیکل^[۳۰] و همکاران،۱۹۹۷).
در تکنیک استخراج قانون از شبکه های عصبی با الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
۱-۶-۴: روش ترکیبی تبدیل موجک- شبکه عصبی و ARIMA
۱-۶-۴-۱: تبدیل فوریه
همه جا در اطراف ما سیگنالهایی وجود دارند که باید تحلیل شوند. لرزش‌های زلزله، صحبت انسانها، نوسان موتورها، تصاویر پزشکی، داده‌های مالی، موزیک و بسیاری از انواع دیگر از سیگنالهایی هستند که باید به شکل مناسبی کدگذاری شوند، فشرده شوند، نویزهایشان تصفیه شوند، بازسازی شوند، بیان شوند، ساده شوند، متمایز شوند و یا محل یابی شوند. تحلیل موجک^[۳۱] یک ابزار جدید و تکنیک مناسب برای این کارها می‌باشد.
تحلیل سیگنال هم اکنون مهمترین دوره مصرف خود را می‌گذراند و شاید یکی از شناخته‌شده‌ترین روش های تحلیل سیگنال تبدیل فوریه باشد. تبدیل فوریه یک سیگنال را به شکل موجهای سینوسی تشکیل‌دهنده‌اش در فرکانس‌های مختلف تجزیه می‌کند. نوعی دیگر نگرش به تبدیل فوریه این است که تبدیل فوریه را یک تکنیک ریاضی برای انتقال دید یا نگاه به سیگنال از حوزه زمان به حوزه فرکانس در نظر گرفت.
شکل ۱-۱: نمایش تبدیل فوریه
تحلیل فوریه دارای یک کاستی جدی می‌باشد. در انتقال یک سیگنال از حوزه زمان به حوزه فرکانس، اطلاعات حوزه زمان سیگنال از دست می‌رود. هنگام نگاه کردن به تبدیل فوریه یک سیگنال غیرممکن است که بتوان گفت درچه زمانی حوادث در سیگنال اتفاق افتاده است. این مسئله در یک سیگنال ایستا^[۳۲]مهم نیست (سیگنال ایستا به سیگنالی گفته می‌شود که در طی زمان تغییر زیادی نکند)، اما بسیاری از سیگنالهای مهم و موردتوجه شامل تعداد نامتناهی از سیگنالهای غیرایستا یا گذرا می‌باشد مانند پیشامدها، تغییرات ناگهانی، ابتدا و انتهای زمان رخ دادن حوادث و … . این مشخصه‌ ها اغلب مهمترین قسمت سیگنال می‌باشند. اما متأسفانه تحلیل فوریه برای تشخیص آنها مناسب نیست.
۱-۶-۴-۲: تبدیل موجک
تحلیل موجک قادر به نمایش سیگنال به وسیله یک تکنیک پنجره‌بندی نواحی با سایزهای مختلف می‌باشد. تحلیل موجک امکان استفاده از پنجره‌های زمانی بزرگ را در هنگام نیاز به اطلاعات دقیق در فرکانس‌های پایین و پنجره‌های زمانی کوچکتر هنگامی که نیاز به اطلاعات فرکانس بالاست را مقدور می‌سازد. تحلیل موجک قابلیت آشکارسازی مفاهیم مختلف داده‌ها را دارد که تکنیک‌های دیگر تحلیل سیگنال آنها را از دست می‌دهند. مفاهیمی از قبیل تمایل، نقاط شکست، نشانه، نقاط انفصال و منشاء آنها و … را می‌توان با تحلیل موجک آشکارسازی نمود و این موضوع بدلیل نگاه متفاوت این روش به داده‌ها نسبت به روش های قبلی می‌باشد. تحلیل موجک همچنین قادر به فشرده سازی و نویززدایی سیگنال بدون اینکه افت محسوسی در کیفیت سیگنال ایجاد کند می‌باشد.
آنالیز موجک قادر به تجزیه­ی سری­های زمانی، در مقیاس­های زمانی مختلف می­باشد (این و همکاران^[۳۳]، ۲۰۰۸)؛ به طوری که با تحلیل­های فرکانس زمانی، کاربردهای فراوانی را در مدل­سازی سری­های زمانی اقتصادی و مالی فراهم آورده (جنسای و همکاران^[۳۴]، ۲۰۰۲) و به صورت گسترده در سری­های زمانی غیر ایستا به کار بسته شده است (ناسون و ون ساچس^[۳۵]، ۱۹۹۹). در آنالیز موجک، سیگنال به صورت ترکیب خطی از توابع موجک نشان داده می­ شود (سفتر و همکاران^[۳۶]، ۲۰۰۷، ۲۰۰۸)، به طوری که. بر اساس طول داده ­ها، دو موج اصلی موجک ها وجود دارد: اولین موج، تبدیل موجک پیوسته (^[۳۷]CWT)، که برای کار با سری­های زمانی تعریف شده بر روی محور حقیقی کامل طراحی شده است؛ موجک دوم، تبدیل موجک گسسته (^[۳۸]DWT) می­باشد که در جداسازی سری داده در اجزاء فرکانس متفاوت، به منظور آزمایش عمق سری داده مطالعه می­ شود (کونلون و همکاران^[۳۹]، ۲۰۰۸). مراحل فیلتر کردن یک سیگنال در موجک ها بصورت شکل زیر می­باشد:
شکل ۱-۲: مفهوم فیلتر شدن سیگنال توسط موجک‌ها
سیگنال اصلی S از دو فیلتر مکمل می‌گذرد و دو سیگنال از فیلتر‌ها خارج می‌شود. متأسفانه اگر این مراحل بر روی یک سیگنال حقیقی دیجیتال انجام شود با دوبرابر تعداد داده‌ای که با آن آغاز کردیم مواجه خواهیم شد. فرض کنید سیگنال اصلی S شامل ۱۰۰۰ نمونه داده باشد. آنگاه مقادیر تقریبی و جزئی هرکدام شامل ۱۰۰۰ نمونه خواهد بود و مقدار کلی نمونه‌ها ۲۰۰۰ عدد خواهد شد.
برای تصحیح این مسئله مفهوم نمونه‌برداری با نرخ پایین^[۴۰] معرفی می‌شود شکل زیر این موضوع را نشان می‌دهد.
شکل ۱-۳: مفهوم نمونه برداری با نرخ پایین
در این تحقیق سری زمانی شاخص قیمت سهام با بهره گرفتن از موجک دبوچی تا سه مرحله تجزیه شد بطوریکه سری هموار شده ازسری توابع جزئیات جدا شد و سپس بر اساس روش ARIMA سری اصلی و سری توابع جزئیات با بهره گرفتن از شبکه عصبی پیش بینی شد.
۱-۷: ابعاد کلی تحقیق
۱-۷-۱: روش تحقیق
تحقیق از نظر هدف (از نظر دلیل انجام): توصیفی- تحلیلی
فرایند، روش جمع آوری و تحلیل داده ­ها: کمی
منطق استنتاج: استقرایی
تحقیق از نظر هدف(نتایج) : کاربردی
روش و ابزار گرآوری اطلاعات (جمع آوری داده ها): میدانی
روش و ابزار گرآوری اطلاعات (درمورد ادبیات تحقیق): کتابخانه ای
از آنجایی که در این تحقیق امکان دستکاری متغیرهای مستقل جهت مشاهده اثرات این تغییرات در متغیر وابسته برای محقق وجود ندارد، این نوع تحقیقات را می­توان در طبقه تحقیقات نیمه تجربی یا شبه تجربی قرار داد.
۱-۷-۲: جامعه­ و نمونه آماری تحقیق
سری زمانی داده ­های روزانه شاخص قیمت بورس اوراق بهادار تهران از سال ۱۳۸۴ لغایت ۱۳۸۹ به عنوان جامعه آماری تحقیق انتخاب گردیده است. داده ­های مزبور از سایت سازمان بورس و اوراق بهادار تهران استخراج گردیده است. همچنین متغیرهای مستقل استفاده در تحقیق که با توجه به مطالعات صورت گرفته در این زمینه به شرح زیر انتخاب گردید:
قیمت جهانی طلا (GP)، میانگین قیمت نفت ایران (OP)، نرخ دولتی دلار آمریکا (USD) و شاخص S&P500 بورس آمریکا به عنوان نماد بورس جهانی برای دوره مورد مطالعه انتخاب گردید.
۱-۷-۳: جنبه­ نوآوری تحقیق
تحقیقی با چنین محتوا و عنوانی تا به حال در ایران به انجام نرسیده است.
این تحقیق کمک می­ کند تا دریچه جدیدی از اطلاعات مورد نیاز، جهت رسیدن به اهداف اقتصادی که همان تخصیص بهینه منابع است، باز شود، تا عوامل درگیر و تصمیم گیران حول این مقوله با بکارگیری تکنیک­های کارا و مناسب و ترکیب دو تکنیک خطی و غیر خطی بتوانند تصمیمات خویش را با دقت و اطمینان بیشتری اخذ نمایند.
همچنین معرفی روشی جدید برای پیش بینی شاخص های بازارهای مالی برای اولین در مطالعات و پژوهش های کاربردی و دانشگاهی می باشد.
۱-۸: ساختار کلی تحقیق
در فصل اول کلیات تحقیق ارائه شد. تشریح و بیان موضوع تحقیق، ضرورت انجام و اهداف تحقیق، فرضیه­-های تحقیق و روش آزمون فرضیات تحقیق در این فصل ارائه شد.
فصل دوم مبانی نظری و مروری بر پیشینه تحقیق را در بردارد. در این فصل پس از ارائه مفاهیم بنیادی موضوع تحقیق ، تحقیقات مختلفی که در رابطه با ابعاد مختلف موضوع تحقیق انجام گرفته مورد بررسی قرار گرفت.
فصل سوم روش تحقیق را مورد بحث قرار می دهد. در این فصل ابتدا فرضیه های تحقیق ، جامعه آماری، نمونه آماری و منابع اطلاعاتی تشریح گردیده است. سپس روش های آماده سازی متغیرهای تحقیق و روش های آزمون فرضیات مطرح شده است.
فصل چهارم به تجزیه و تحلیل اطلاعات و تحلیل یافته ها اختصاص دارد. در این فصل نتایج آزمون هر یک از فرضیه های تحقیق تشریح شده است.
فصل پنجم شامل خلاصه، نتیجه ­گیری و پیشنهادات می باشد . در این فصل ابتدا خلاصه موضوع، روشها و یافته­های تحقیق بیان شده، سپس نتیجه گیری و بررسی تطبیق یافته ها مورد بحث قرار گرفته است. در خاتمه پیشنهادها و زمینه های تحقیقاتی آتی ارائه شده است. فهرست منابع و مآخذ و پیوستهای تحقیق نیز ضمیمه است.
۱-۹: خلاصه فصل
درانجام هر پژوهشی یکی از مهمترین بخشها، ارائه طرح تحقیق (کلیات) مناسب می باشد. در این فصل سعی بر آن بود تا با بیان قسمتهای مختلف مطالعه انجام شده، طرح کلی از آن ارائه گردد. بدین منظور، در ابتدا با بیان مقدمه­ای کلیات طرح مشخص گردید و سپس به بیان مساله و چارچوب نظری، اهداف، دلایل اهمیت و ضرورت تحقیق پرداخته شده است. در ادامه فرضیه ­ها و روش تحقیق ارائه شده است. در انتها ساختار کلی تحقیق بیان شده است.
فصل دوم
مروری برمبانی نظری و
ادبیات تحقیق
۲-۱: مقدمه
بی تردید امروزه بیشترین مقدار سرمایه از طریق بازارهای بورس در جهان مبادله می­ شود. اقتصادهای ملی به شدت متاثر از عملکرد بازار بورس است. به علاوه بازار بورس به عنوان یک ابزار سرمایه گذاری در دسترس، هم برای سرمایه گذاران کلان و هم برای عموم مردم شده است. بازارهای بورس نه تنها از پارامترهای کلان، بلکه از هزاران عامل دیگر نیز متاثر می شوند. تعداد زیاد و ناشناخته بودن عوامل موثر بر بازار بورس، موجب عدم اطمینان در سرمایه گذاری شده است.
در حالت کلی آگاهی از ابهام و شرایط عدم اطمینان برای انسان مطلوبیت دارد و همواره در مورد دانستن اینکه در آینده چه روی خواهد داد، کنجکاو است. به همین جهت این امر برای افرادی که منابع هنگفت خود را سرمایه گذاری می کنند، اهمیت بیشتری دارد. سرمایه گذار مایل است با آگاهی از آینده­ی شرکتِ سرمایه پذیر، اقدام به سرمایه گذاری در آن نماید و یا اینکه با اطلاع از وضعیت آتی قیمت آن، تصمیمات صحیح مبنی بر فروش، حفظ و یا گسترش سرمایه گذاری خود اتخاذ نماید. از این رو در این تحقیق به پیش بینی شاخص قیمت با بهره گرفتن از مدل ARIMAو MLP و تکنیک استخراج قانون و همچنین ترکیب روش های مزبور با بهره گرفتن از تبدیل موجک پرداختیم.
در این فصل ضمن بیان مقدمه ای از مفهوم و اهمیت بازار سهام، به تبیین و تشریح روش های مختلف پیش بینی ازجمله مدلARIMA ، شبکه های عصبی ، الگوریتم ژنتیک و تبدیل موجک به بیان تحقیقات صورت گرفته پیرامون پیش بینی قیمت سهام می پردازیم.
۲-۲: مبانی نظری پژوهش
۲-۲-۱: تئوری سرمایه گذاری در بازار بورس
تئوری سرمایه گذاری، پارامترهایی را که باید برای سرمایه گذاری در بازار مورد توجه قرار داده معرفی می نماید. از قدیم در بازار بورس همواره دو تئوری سرمایه گذاری وجود داشته است: