بهبود پورتال

ارائه مدلی برای پیش بینی قیمت سهام شرکت ایرانخودرو به کمک شبکه های عصبی

محمدرضا عباسپور

کارشناس ارشد مهندسی سیستمهای اقتصادی

محمدرضا امین ناصری

استادیار دانشگاه تربیت مدرس

واژه های کلیدی

پیشبینی، شبکه عصبی، بازار بورس، پیشبینی قیمت سهام، شرکت ایرانخودرو

چکیده

بیتردید امروزه بیشترین مقدار سرمایه از طریق بازارهای بورس در تمام جهان مبادله میشود. در حال حاضر عرضه و تقاضای سالانه 50 میلیون خودرو در جهان صنعت خودروسازی را به یکی از صنایع بزرگ تبدیل کرده است. شرکت ایرانخودرو با در اختیار داشتن حدود 65 % از سهم بازار خودرو کشور چه از نظر تولید و چه از نظر فروش، یکی از شرکتهای مهم در بازار خودرو ایران و در نتیجه در بازار بورس می باشد و لذا تمایل روزافزونی مبنی بر پیشبینی قیمت سهام آن مشاهده میشود.

از طرف دیگر، امروزه علاقه فزایندهای در استفاده از شبکه های عصبی برای پیشبینی قیمت سهام در بازار بورس بوجود آمده است. قدرت بالای تشخیص انواع الگوهای موجود در داده های بازار و تقریب توابع پیچیده از مشخصات ممتاز شبکه عصبی در کشف فرایند مولد قیمت بازار میباشد.

در این مقاله به پیشبینی قیمت سهام ایران خودروIKSEP) Price Exchange Stock Khodro Iran (به کمک شبکه های عصبی پرسپترون خواهیم پرداخت. از این رو، پس از بررسی ادبیات موضوع، بوسیله آزمون گردش، امکان پیشبینی قیمت سهام شرکت ایرانخودرو بررسی گردیده است. به علت نوسانات شدید موجود در داده های قیمت سهام شرکت ایران خودرو، روش خاصی برای انتخاب مجموعه تست و آموزش بکار گرفته شده و در نتیجه، قدرت برازش مدل شبکه به مراتب بهبود یافته است. همچنین تأثیر انواع توابع تبدیل برای لایه مخفی و خروجی و انواع ساختار شبکه از لحاظ تعداد گره های ورودی و مخفی بر عملکرد شبکه مورد بررسی قرار گرفته و آنها که در بهبود مدل شبکه موثر بودهاند، در مدل نهایی لحاظ گردیدهاند و در نهایت بهترین مدل شبکه برای پیشبینی دوره های مختلف زمانی ارائه گردیدهاست.

1 –مقدمه

امروزه بازارهای بورس نه تنها از پارامترهای اقتصاد کلان، بلکه از بسیاری از عوامل دیگر متاثر میشوند. تعدد و ناشناخته بودن عوامل مؤثر بر بازار بورس، معمولاً موجب عدم اطمینان در زمینه سرمایهگذاری میشود. روشن است که خصوصیت عدم اطمینان، امر نامطلوبی است و از طرفی برای سرمایهگذارانی که بازار بورس را به عنوان مکان سرمایهگذاری انتخاب نمودهاند، این خصوصیت اجتنابناپذیر است. بنابراین بطور طبیعی تمام تلاش سرمایهگذار کاهش عدم اطمینان است و از این جهت پیشبینی بازار بورس یکی از ابزارهای کاهش عدم اطمینان میباشد.

در ادبیات موضوع، روشهای گوناگونی برای پیشبینی بازار آمده است که میتوان آنها را در چهار گـروه طبـقهبنـدی نـمود:

تحلیل فنی

تحلیل بنیادی

پیشبینی با استفاده از سریهای زمانی کلاسیک

استفاده از سیستمهای هوشمند

تحلیلگران فنی یا نمودارگراها سعی میکنند بر اساس الگوهای موجود در نمودار داده های مربوط به بازار، آن را پیشبینی کنند. آنها با 1 تحلیلگران فنی یا نمودارگراها توجه به برداشت خود از نمودارها، الگوهایی را در جهت تعیین شاخصهای روزانه، هفتگی و ماهانه بازار تعیین مینمایند. تحلیلگران بنیادی، با توجه به ارزش واقعی و ذاتی یـک سهـم اقـدام به پیشبیـنی مینمایند. در پیشبینی با روش سریهای زمانی کلاسیک، فرض بر این است که مقادیر آینده، سیر خطی مقادیر گذشته را میپیمایند. روشهای هوشمند الگوهای خطی و غیرخطی موجود در داده های مربوط به بازار را دنبال میکنند تا بدین وسیله فرایند مولد آنها را تقریب بزنند. در این تحقیق تمرکز اصلی بر روشهای هوشمند و بالاخص شبکه عصبی میباشد.

در ده ه اخیر “شبکه های عصبی” به عنوان یکی از پراستفادهترین روشها در زمینه طبقهبندی، تشخیص الگو و پیشبینی سریهای زمانی بوده است. قدرت بالای تشخیص انواع الگوهای موجود در داده های بازار، تقریب توابع پیچیده، پایداری و انعطافپذیری آن در برابر نویزهای داده ها، از مشخصات بارز و قدرتمند شبکه عصبی در کشف فرایند مولد قیمت بازار می باشد بطوریکه دومین زمینة پرکاربرد استفاده از شبکه های عصبی را، پیشبینی سریهای زمانی به خود اختصاص داده است [18|2

تحقیقات نشان میدهد که اکثر سـریهای زمـانی در جـهان واقعی دارای الگوهای غیرخطی و پیچیده می باشند؛ بهطوریکه محققان را بر آن داشته است که متدهای پیشبینی سریهای زمانی غیرخطی را ایجاد نمایند. اما این متدها هم با توجه به فرضیات اولیة خود یک رابطه غیرخطی خاص را مورد توجه قرار میدهند و این رهیافت باعث عدم کشف الگوهای غیرخطی زیادی میشود که در اکثر سریهای زمانی .[2|13|17|18]دارند وجود

رهیـافت شبکه های عصـبی به عـنوان روش دادهمحور و بدون در نظر گرفتن فرضیات موجود در روشهای مدلگر چشم انداز قدرتمند و نوینی در جهت تقریب توابع پیچیده می باشند. با توجه به تحقیقات صورت گرفته و مزایای این روش در مقایسه با روشهای کلاسیک - که رأی به برتری شگفتانگیز شبکه های عصبی داده است- ضرورت استفاده از شبکه های عصبی در زمینة پیشبینی، بیش از پیش معلوم می گردد.

ستفاده از شبکه های عصبی برای پیشبینی ایده جدیدی نیست. Hu در سال 1964 در رساله خود برای اولین بار این ایده را برای پیش بینی وضعیت هوا بوسیله شبکه های خطی تطبیقی ویدرو مورد استفاده قرار داد. بواسطه نقص الگوریتم آموزشی برای آموزش شبکه های 4 را معرفی نمود، ادامه 5 چند لایه، این تحقیق کاملا محدود شده بود. این محدودیت تا سال 1986 که رملهارت الگوریتم پس انتشار خطا داشت و پس از آن گستره وسیعی از تحقیقات در این زمینه رشد نمود[18 .[

خالوزاده در سال 1377 ،در رسالة دکترای خود به مدلسازی و پیشبینی قیمت سهام شرکت شهد ایران با شبکه عصبی خاص MLP سه لایه با توابع تبدیل غیرخطی تانژانت هیپربولیک برای لایه مخفی و تابع تبدیل خطی برای لایه خروجی و قانون یادگیری BP استاندارد میپردازد. همچنین در این مطالعه قابلیت پیشبینی قیمت سهام شرکت بوسیله روش تخمین بعد همبستگی و روش تحلیل S/R بررسی شده است[9 .[

در سال 1996 کوهزادی در تحقیقی به مقایسه شبکه های عصبی و مدلهای سری زمانی باکسجنکینز در پیشبینی قیمت ماهانه گندم از سال 1950 تا 1990 پرداخته است[10 .[وایت، در تحقیقی پیشبینی بهره روزانه سهام شرکت IBM را با شبکه عصبی و مدل AR در نظر گرفتهاست[15 .[در همین سال تحقیقی پیرامون پیشبینی شاخص سهام کوالالامپور با استفاده از شبکه های عصبی توسط یاو ترتیب داده شده است. در این تحقیق از تحلیل S/ R برای مشخص نمودن تصادفی بودن سری زمانی داده ها استفاده شده است[16 .[وانگ شبکه های عصبی مبتنی بر ARIMA) شبکه ترکیبی) را برای پیشبینی شاخص قیمت بازار بورس تایوان پیشنهاد مینماید[1

در تحقیقی دیگر، ابراندویچ یک سیستم پیشبینی غیرخطی مبتنی بر شبکه عصبی برای پیشبینی شاخص سهام P&S طراحی مینمایند[3 .[ژانگ در سال 1998 پیشبینی نرخ ارز را با شبکه های عصبی و مدل گام زدن تصادفی مورد مطالعه قرار داده است[17 .[در سال 1999 دینیز مطالعهای برای پیشبینی سری زمانی قیمت یکی از شرکتهای برزیلی در بازار بورس با شبکه عصبی و مدل باکسجنکینز انجام میدهد[5 .[کاناس در سال 2001 پیشبینی بهره بازار را به وسیله مدل رگرسیون خطی و روش شبکه عصبی مورد مقایسه قرار میدهد. استینر و ویت کمپرعملکرد چند مدل رگرسیونی و شبکه عصبی را برای پیشبینی بهره سهام بازار بورس فرانکفورت مورد بررسی قرار میدهند[8 .[در سال 2002 تحقیقی به منظور پیشبینی مقدار کل تولید صنایع ماشینسازی تایوان توسط تزنگ انجام شده است. در این تحقیق مدلهای (سری زمانی فصلی) SARIMA ،شبکه عصبی و ترکیب این دو مورد بررسی قرار گرفته است[13 .[ در ادامه مقاله، پیشبینی سریهای زمانی بوسیله شبکه های عصبی و قابلیت پیشبینی قیمت سهام در بخشهای دوم و سوم بررسی میشود. در بخش چهارم ضمن بررسی مراحل طراحی مدل، مدل طراحی شده ارائه شده و به ترتیب، پیشبینی دو و هفت روز بعد، پیشبینی با استفاده از: متغییرهای بنیادی، انواع شبکه عصبی و روشهای خطی ارائه میشود[1.[

2 -پیشبینی سریهای زمانی بوسیله شبکه عصبی

شبکه های عصبی پرسپترون بهویژه پرسپترون چند لایه در زمره کاربردیترین شبکه های عصبی میباشند. در شکل 1 یک شبکه پرسپترون سه لایه با معماری 1-3-6 نمایش داده شده است. همانگونه که ملاحظه میشود، هر نرون (کوچکترین واحد پردازشگر اطلاعات که اساس شبکه های عصبی را تشکیل میدهد) در هر لایه به تمام نرونهای لایه قبل متصل میباشد. به چنین شبکه هایی شبکه های کاملاً مرتبط گویند. شبکه فوق عملا از به هم پیوستن دو شبکه پرسپترون تک لایه ایجاد شده است. خروجیهای لایه اول، بردار ورودی لایه دوم را تشکیل میدهند و خروجیهای لایه سوم پاسخ واقعی شبکه را تشکیل میدهند

چندین خصوصیت متمایز و منحصر به فرد شبکه های عصبی که برای کار پیش بینی جذاب میباشند ذیلاً تشریح میشوند: نخست آنکه شبکه های عصبی بر خلاف روشهای مبتنی بر مدل، روشهایی خود تطبیق ده و دادهگرا میباشند. در این روشها فرضیات خیلی کمی در مورد مدلهای مسائل مد نظر قرار میگیرد. آنها از مثالها یاد میگیرند و روابط بین داده ها را حتی اگر این روابط ناشناخته یا سخت برای توصیف باشند بدست می آورند. بنابراین برای حل مسائلی که نیاز به دانش پیچیدهای دارند اما داده های کافی برای آنها وجود دارد، مناسب می باشند.

ویژگی دوم شبکه های عصبی این است که میتوانند تعمیم بدهند. شبکه های عصبی اغلب میتوانند به طور صحیح داده هایی را که در مرحله آموزش استفاده نشدهاند، استنباط نمایند.

سوم آنکه شبکه های عصبی یک تقریبزننده جامع میباشند. در تئوری نشان داده شده است که شبکه عصبی می تواند، هر تابع را با هر 1 سوم آنکه شبکه های عصبی یک تقریبزننده جامع دقت دلخواه تقریب بزند

ویژگی بعدی شبکه های عصبی این است که غیرخطی هستند. پیشبینی سریهای زمانی از قبیل باکس جنکینز فرض مینماید که سری زمانی تحت مطالعه از یک فرایند خطی حاصل میشود.

موارد ذیل باید در پیشبینی سریهای زمانی با استفاده از شبکه عصبی در نظر گرفته شود

معماری شبکه: به معنی تعیین تعداد گره های ورودی| تعداد لایه های مخفی| گره های مخفی و تعداد گره های خروجی میباشد. انتخاب این پارامترها بستگی به مسئله مورد بحث دارد.

لایه های مخفی و گره های مخفی: گره های مخفی در لایه های مخفی به شبکه عصبی اجازه میدهند خصوصیات داده ها را کشف و شناسایی نماید تا بوسیله آن نگاشتهای غیرخطی پیچیده را بین متغیرهای ورودی و خروجی برقرار نماید. در مورد تعداد گره های مخفی شبکه های عصبی ملزم به رعایت اصل صرفهجویی میباشند که در آن قدرت تعمیم بهتر را از آن شبکه با تعداد گره های مخفی کمتر میداند. محققین برای محدود نمودن تعداد گره های مخفی برای جلوگیری از مسئله Overfitting) یعنی یاد گرفتن دقیق خود داده های آموزش، نه رابطه بین آنها که باعث میشود شبکه در مرحله آزمایش قدرت تعمیم نداشته باشد) تعداد آنها را حداکثر دو برابر تعداد گره های ورودی در نظر گرفتهاند که در اغلب موارد این انتخاب ابتکاری، نتایج خوبی داده است

تعداد گره های ورودی: برابر است با تعداد مشاهدات تاخیری که برای کشف کردن الگوی اساسی در سری زمانی استفاده می شود. ایدهال آن است که تعداد کمی از گره های ورودی بتوانند خصوصیات منحصر به فرد موجود در داده ها را به شبکه معرفی نمایند. یکی از مسائل مهم و شاید مهمترین مسئله در پیش بینی سریهای زمانی انتخاب تعداد ورودیها میباشد. زیرا هر الگوی ورودی شامل اطلاعات مهمی در مورد ساختار خود همبسته پیچیده داده ها میباشد.

تعداد گره های خروجی : در پیشبینی سریهای زمانی اغلب تعیین تعداد گره های خروجی وابسته به افق پیشبینی میباشد. دو نوع افق پیشبینی در مطالعات مورد استفاده قرار گرفته است. نخست افق پیش بینی یک روز بعد است و دوم، افق پیش بینی چند روز بعد میباشد. معمولا تعداد گره های خروجی برای نوع اول یک و برای نوع دوم یک یا چند گره است.

اتصالات گره ها: اتصالات بین گره ها اساس رفتار شبکه را مشخص مینمایند. در اکثر موارد مخصوصاً در مورد پیشبینی، از شبکه با اتصالات کامل بین گره ها استفاده میشود.

تابع تبدیل: تابع تبدیل یا فعالساز یا فشردهساز، ارتباط بین ورودی و خروجی یک گره و یک شبکه را مشخص مینماید. این توابع درجهای از غیرخطی بودن را به شبکه تزریق مینمایند که برای اکثر کاربردهای شبکه عصبی ارزشمند و مهم میباشد. توابع تبدیل به کار گرفته شده توسط محققان در پیشبینی اغلب سیگموید (لجستیک)، تانژانتهیپربولیک و خطی بودهاند

نرمال کردن داده ها: نرمالسازی داده ها باعث میشود داده های مورد استفاده در دامنهای خاص، فشرده و هماهنگ شوند. نرمالسازی مخصوصاً در مواقعی که از توابع سیگموئید یا تانژانت هیپرپولیک به عنوان تابع تبدیل شبکه استفاده میشود توصیه میشود[18 .[در تحقیقات عمدتاً از دو روش نرمالسازی خطی وآماری به شرح زیر استفاده میشود

مجموعه تست و آموزش: برای استفاده از شبکه های عصبی مجموعه داده ها معمولا به دومجموعه تست و آموزش تقسیم می شوند. محققان در مسائل پیشبینی و تقریب توابع 20 درصد از کل داده ها را به عنوان مجموعه تست در نظر میگیرند و بقیه را برای آموزش استفاده می نمایند. گاهی اوقات از مجموعه سومی به نام مجموعه اعتبار (Set Valid (و تکنیک Validation Cross استفاده میشود. بدین صورت که قسمتی از مجموعه داده ها به عنوان مجموعه اعتبار در نظر گرفته میشود و همانطور که یادگیری شبکه به وسیله مجموعه آموزش دنبال می شود قدرت تعمیم شبکه برای مجموعه اعتبار ارزیابی میشود. در نقطهای که یادگیری شبکه بهتر میشود، ولی قدرت تعمیم شبکه برای مجموعه اعتبار رو به کاهش می نهد، یادگیری شبکه باید متوقف شود. در این نقطه در شبکه پدیده Overfitting در حال اتفاق افتادن است. این تکنیک اغلب برای مجموعه داده های زیاد مورد استفاده قرار میگیرد و در مجموعه داده های کم و معمولی همان دو مجموعه تست و آموزش کافی میباشد[18

معیارهای عملکرد: بدلیل محدودیتهای اطلاعاتی که یک معیار منفرد دارد محققان از چند معیار مختلف جهت ارزیابی عملکرد شبکه استفاده میکنند. معیارهای عملکرد مورد استفاده در این تحقیق در جدول 1 آمدهاند.

داده ها

داده هایی که در این مطالعه مورد استفاده قرار گرفته است، مربوط به قیمت سهام شرکت ایران خودرو در بازار بورس اوراق بهادار تهران می باشد. در بخش مربوط به متغیرهای موثر بر قیمت سهام شرکت ایران خودرو، متغیرهایی بنیادی از قبیل، نرخ ارز، قیمت نفت و نسبت e/p و متغیر فنی حجم مبادلات سهام در نظر گرفته شده است. تمام اطلاعات مربوط به این متغیرها از کتابخانه بازار بورس اوراق بهادار تهران اخذ شده است. داده های مورد مطالعه مربوط به مشاهدات دوره زمانی1379-1380 میباشد وشامل 379 مشاهده میشود. همچنین نمودار مربوط به سری قیمت سهام ایران خودرو (IKSEP (در طول زمان در شکل 2 به نمایش درآمده است.

همانطور که شکل 2 نشان میدهد سری دارای نوسان ناگهانی (شوک) در پریود زمانی مربوطه میباشد، نقاط این شوکها در جدول 2 آمده است..

همچنین در شکل 3 منحنی مربوط به توابع خود همبستگی ) ACF (و خود همبستگی جزئی (PACF (سری IKSEP نشان داده شده است که نشان دهنده همبستگی فوق العاده زیاد میان تاخیرهای سری IKSEP است. همچنین بیانکننده ناایستایی خیلی زیاد در سری مربوطه میباشد .

همانطور که قبلاً عنوان شد برای امکان پیشبینی قیمت سهام، باید نشان داده شود میان اطلاعات گذشته قیمت سهام، الگویی وجود دارد که با کشف این الگو، بتوان قیمت سهام شرکت را پیشبینی نمود. بدین منظور باید نشان داده شود که سری زمانی قیمت سهام شرکت ایرانخودرو تصادفی نیست. در این صورت امکان کشف الگو وپیشبینی قیمت سهام وجود دارد.

آزمونهایی از قبیل گردش فراوانی، فریال گپ و همبستگی دنبالهای برای بررسی تصادفی بودن یا نبودن یک سری زمانی وجود دارد. روشهایی هم مانند تخمین بعد همبستگی روش محاسبه بزرگترین نمای لیاپانوف و تحلیل S/R برای آزمون پیشبینیپذیری سریهای زمانی بوسیلة بررسی ماهیت فرایند مولد قیمت سهام وجود دارد. در این روشها، ساختار سری زمانی مورد بررسی قرار میگیرد و سعی در کشف ساختار غیرخطی و آشوبگونة موجود در فرایند مولد قیمت سهام میشود.

در این تحقیق، با استفاده از نرمافزار SPSS آزمون گردش برای سری IKSEP انجام شده است. مقدار آماره z برای این آزمون 15/16 -میباشد که از مقدار 96/1 -خیلی کمتر است و بر این اساس فرض صفر، مبنی بر تصادفی بودن داده ها، به شدت رد میشود.

طراحی مدل به کمک شبکه عصبی

تقریباً اکثر محققان، شبکه های پرسپترون چند لایه(Perceptron Feedforward Multilayer (یا MLP را بهخاطر کارایی بالای آنها برای پیشبینی سریهای زمانی مورد استفاده قرار دادهاند. بنابراین در ابتدا از شبکه پیشخور برای مدلسازی فرایند مولد سری 8 IKSEP استفاده میشود. سپس انواع شبکه های دیگر از قبیلElman ، Cascade، RBFN مورد آزمایش قرار می- 9 GRNN و گیرد و بهترین آنها انتخاب میشود

شبکه بعد از تنظیم این پارامترها در مرحله آموزش، مشاهدات مجموعه آزمایش را تقریب میزند. به بیان دیگر، شبکه عصبی الگوهای موجود را که از مجموعه آموزش استخراج نموده است، به مجموعه آزمایش تعمیم میدهد. در ادامه مراحل طراحی مدل شبکه عصبی تشریح میشود.

نرمالسازی داده ها

برای بررسی ضرورت نرمال کردن داده ها، ابتدا از داده های خام برای ورود به شبکه استفاده میشود[19|4 .[80 %داده ها بهعنوان مجموعه آموزش و20 %آن برای تست شبکه استفاده میشود. مقدار ضریب تعیین برای مجموعه آزمایش و آموزش تقریباً برابر با صفر است و این نشان میدهد که شبکه با معماریهای مختلف، در کشف روابط بین داده ها، در هر دو مجموعه آموزش و آزمایش ناتوان است. بنابراین ابتدا باید داده های ورودی و خروجی با روش خطی یا استاندارد (آماری) نرمالیزه شوند. در قدم بعدی شبکه با استفاده از این داده ها آموزش دیده و در مقابل داده های آزمایش تست میشود. در جدول3 بهترین عملکرد شبکه با در نظر گرفتن معماریهای مختلف، در برابر داده های نرمال شده به روش خطی و استاندارد ارائه شده است.