به گزارش خبرنگار تابناک ؛ دکتر داوود احمدیان، مجری این طرح گفت: تاکنون تحقیقات زیادی برای پیش بینی عملکرد شاخص بورس بر مبنای اطلاعات دیگر انجام شده است و نتایج خوبی هم در مقالات مختلف گزارش کرده اند. برای این نوع پیش بینی در تحقیقات پیشین رویکردهای مختلفی مورد نظر قرار گرفته است.
وی افزود: در این تحقیق، روند بازار بورس بر مبنای مدل شبکه عصبی مصنوعی چندلایه پیش بینی می شود و با توجه به این که اطلاعات روند آینده بورس عموما بر مبنای روند روزهای پیشین استوار است، به عنوان ورودی شبکه تعداد مشخصی از اطلاعات روزهای گذشته استفاده شد تا بتوان عملکرد روز بعدی را مورد پیشبینی قرار داد.
عضو هیات علمی دانشگاه تبریز تصریح کرد: آزمایشات انجام شده روی هر نوع شبکه 30 بار تکرار شدند تا میانگین میزان MSE بدست آید. به همین علت تمام آزمایشات بر روی تعداد مختلف روزهای گذشته انجام شد تا به بهترین نتیجه موردنظر دست آید. برای این که شبکه بهتر بتواند با دادههای مورد نظر کار کند باید آنها را نرمال کرد. در اینجا داده ها در بازه صفر تا یک نرمال شدند و آموزش و تست بر روی آنها انجام شد. با توجه به این که تابع فعالسازی هر لایه میتواند از سری توابع خطی، تانژانت سیگموئید و لگاریتم سیگموئید انتخاب شود، ترکیب این سه نوع تابع با یکدیگر مورد آزمایش قرار گرفتند که از بین آنها ترکیب تابع لگاریتم سیگموئید در لایه اول و دوم و تابع تانژانت سیگموئید در لایه سوم بهترین نتیجه مورد نظر را تولید کرد.
دکتر احمدیان با بیان اینکه آزمایشات برای تعداد نورونهای صفر تا بیست هم تکرار شدند تا بهترین تعداد نورون در لایه مخفی مشخص شود ، یادآور شد: بهترین عملکرد در پنج نورون در لایه مخفی قابل مشاهده است. با بیشتر شدن تعداد نورون از پنج عدد تغییر معناداری در میانگین مربعات خطا به چشم نخورد و از این رو با توجه به این که با افزایش تعداد نورونها پیچیدگی شبکه هم بالاتر می رفت این نوع شبکه با پنج لایه نورون بهترین عملکرد را از خود نشان داد. این مساله در فایلهای شاخص مختلف مظنه خرید و فروش آزمایش شد که میانگین عملکرد این نوع شبکه در آنها بهتر از همه بوده است.
به گفته وی، با تشخیص بهترین نوع شبکه سه لایه، این نوع شبکه با توجه به تعداد روزهای مختلف مورد استفاده برای پیش بینی عملکرد مورد تست قرار گرفت که به نظر میرسد پنج روز بهترین میزان ورودی برای شبکه های طراحی شده است و بیشتر از آن باعث ایجاد کمبود آموزش و کمتر از این مقدار نوعی بیش آموزش ایجاد می کند. از این رو در صورتی که عملکرد غیر قابل پیش بینی طولانی مدت تری باید مورد پیش بینی قرار گیرد باید تعداد بیشتری روز پیش از روز پیش بینی در نظر گرفته شود و تعداد این نوع داده ها هم زیاد باشند تا بتوان به نتیجه مورد نظر رسید.
وی خاطر نشان کرد: در این پژوهش، قریب به اتفاق عواملی که در آزمون مورد استفاده قرار گرفتند رفتار سرمایه گذاری شرکت ها را تحت تأثیر قرار می دادند. در نتیجه با استفاده از این مدل و شبکه های عصبی می توان رفتار سرمایه گذاری شرکت های موجود در بورس اوراق بهادار تهران را با ضریب تعیین بیش از 60 درصد پیش بینی نمود.
این طرح پژوهشی در اسفندماه سال 1393 به اتمام رسیده است