صفحه محصول - مبانی نظری و پیشینه تحقیق شبکه های عصبی 2

مبانی نظری و پیشینه تحقیق شبکه های عصبی 2 (docx) 65 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 65 صفحه

قسمتی از متن Word (.docx) :

مبانی نظری و پیشینه تحقیق و شبکه های عصبی علیرضا جندقیان استاد راهنما: دکتر امیر عباس نجفی پایان نامه کارشناسی ارشد رشته مهندسی صنایع گرایش مهندسی مالی پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی علیرضا جندقیان استاد راهنما: دکتر امیرعباس نجفی پایان نامه کارشناسی ارشد رشته مهندسی صنایع گرایش مهندسی مالی تقدیم به : پدر و مادر عزیزم که در تمام مراحل زندگی پشتیبانم بودند \* mergeformatتاسيس 1307دانشگاه صنعتي خواجه نصيرالدين طوسيتأییدیه هیأت داورانشماره: تاريخ:هیأت داوران پس از مطالعه پایان‌نامه و شرکت در جلسه دفاع از پایان نامه تهیه شده تحت عنوان : پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی توسط آقای علیرضا جندقیان ، صحت و کفایت تحقیق انجام شده را برای اخذ درجه کارشناسی ارشد در رشته مهندسی صنایع گرایش مهندسی مالی در تاريخ ......../6/ 1393 مورد تأیید قرار می‌دهند.1- استاد راهنماجناب آقای دکتر امیرعباس نجفیامضاء2- استاد مشاورجناب آقای / سرکار خانم دکتر ..........................................امضاء3- ممتحن داخلیجناب آقای / سركار خانم دکتر ..........................................امضاء4- ممتحن خارجیجناب آقای / سركار خانم دکتر ..........................................امضاء5- معاونت آموزشی و تحصیلات تکمیلی دانشکدهجناب آقای دکتر عماد روغنیانامضاء -4823976540529/10/1387-42160029/10/1387-4216 \* mergeformatتاسيس 1307دانشگاه صنعتي خواجه نصيرالدين طوسياظهارنامه دانشجوشماره: تاريخ:اینجانب علیرضا جندقیان دانشجوی کارشناسی ارشد رشته مهندسی صنایع گرایش مهندسی مالی دانشکده مهندسی صنایع دانشگاه صنعتي خواجه نصیرالدین طوسی گواهی می‌نمایم که تحقیقات ارائه شده در پایان‌نامه با عنوان پیش بینی قیمت سهام با استفاده از داده کاوی و شبکه های عصبی با راهنمايي استاد محترم جناب آقاي دكتر امیرعباس نجفی، توسط شخص اینجانب انجام شده و صحت واصالت مطالب نگارش شده در این پایان‌نامه مورد تأیید می‌باشد، و در مورد استفاده از کار دیگر محققان به مرجع مورد استفاده اشاره شده است. بعلاوه گواهی می‌نمایم که مطالب مندرج در پایان نامه تا کنون برای دریافت هیچ نوع مدرک یا امتیازی توسط اینجانب یا فرد دیگری در هیچ جا ارائه نشده است و در تدوین متن پایان‌نامه چارچوب (فرمت) مصوب دانشكده مهندسي صنايع را بطور کامل رعایت کرده‌ام. چنانچه در هر زمان خلاف آنچه گواهي نموده‌ام مشاهده گردد خود را از آثار حقيقي و حقوقي ناشي از دريافت مدرك کارشناسی ارشد محروم مي‌دانم و هيچگونه ادعائي نخواهم داشت.امضاء دانشجو:تاریخ: -5524506858029/10/1387-42170029/10/1387-4217 \* mergeformatتاسيس 1307دانشگاه صنعتي خواجه نصيرالدين طوسيحق طبع و نشر و مالکیت نتایجشماره: تاريخ:1- حق چاپ و تکثیر این پایان‌نامه متعلق به نویسنده آن می‌باشد. هرگونه کپی برداری بصورت کل پایان‌نامه یا بخشی از آن تنها با موافقت نویسنده یا کتابخانه دانشکده مهندسی صنایع دانشگاه صنعتی خواجه نصیرالدین طوسی مجاز می‌باشد.ضمناً متن این صفحه نیز باید در نسخه تکثیر شده وجود داشته باشد.2- کلیه حقوق معنوی این اثر متعلق به دانشگاه صنعتی خواجه نصیرالدین طوسی می‌باشد و بدون اجازه کتبی دانشگاه به شخص ثالث قابل واگذاری نیست.همچنین استفاده از اطلاعات و نتایج موجود در پایان نامه بدون ذکر مراجع مجاز نمی‌باشد. -48514016383029/10/1387-42140029/10/1387-4214 تشکر و قدردانی : به این وسیله از زحمات بی دریغ استاد گرامی، جناب دکتر نجفی کمال تشکر را به خاطر سعه صدر و راهنمایی هایشان دارم چکیده بازار سرمایه، به دلیل داشتن خواص بسیاری از جمله عدم نیاز به سرمایه زیاد و سوددهی بالا به بستر مناسبی برای سرمایه گذاری تبدیل شده است. به همین دلایل، رشد این بازارها با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید برای پیش بینی آینده بازار شده است. پیش بینی بازار سرمایه به دلیل وجود انبوهی از سرمایه گذاران با دیدگاه های متفاوت و اثرگذار بودن تعداد زیادی از متغیرها که عملا بررسی همه آنها ممکن نیست، کاری دشوار و چالش برانگیز می باشد. به همین دلایل، مدل های پیش بینی جدید معرفی شده و مدل های پیش بینی قبلی ارتقا می یابند و یا با یکدیگر ترکیب می شوند. به طور کلی می توان گفت که تلاش های صورت گرفته تا زمان فعلی، در سه دسته برای پیش بینی بازار سرمایه قرار می گیرند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از مدل های ریاضی استفاده می کنند. تلاش برای افزایش قابلیت های مدل های موجود با استفاده از تلفیق این مدل ها با یکدیگر، روند تازه ای است که نتایج رضایت بخشی را نیز به دنبال داشته است. بیشتر این تلاش ها در جهت پیش بینی قیمت ها برای یک دوره جلوتر با استفاده از تحلیل تکنیکی و تحلیل بنیادی در چارجوب مدل های ریاضی و هوش مصنوعی قرار می گیرند. در همین راستا در پژوهش پیش رو به تلفیق تحلیل تکنیکی، تحلیل به وسیله مدل های سری زمانی و داده کاوی پرداخته و برای اولین بار به پیش بینی دو قیمت برای دوره آینده می پردازیم. مدل های مذکور در قالب شبکه عصبی با یکدیگر تلفیق شده و نتایج نشان دهنده برتری عملکرد شبکه عصبی نسبت به مدل رگرسیون چند متغیره و مدل های سری زمانی دارند. کلمات کلیدی : پیش بینی؛ شبکه عصبی؛ داده کاوی؛ سری زمانی؛ تحلیل تکنیکی؛ رگرسیون چند متغیره فهرست مطالب TOC \o "1-3" \h \z \u فصل دوم PAGEREF _Toc522523801 \h 11ادبیات تحقیق PAGEREF _Toc522523802 \h 112-4- شبکه عصبی PAGEREF _Toc522523803 \h 122-4-1- معرفی: PAGEREF _Toc522523804 \h 122-4-2- کاربرد شبکه های عصبی PAGEREF _Toc522523805 \h 132-4-3- تعریف پایه شبکه های عصبی PAGEREF _Toc522523806 \h 142-4-4- ویژگی های شبکه عصبی PAGEREF _Toc522523807 \h 162-5- تحلیل تکنیکال PAGEREF _Toc522523808 \h 292-5-1- مقدمه: PAGEREF _Toc522523809 \h 292-5-2- اندیکاتورهای تحلیل تکنیکال PAGEREF _Toc522523810 \h 312-6- مرور پژوهش های مشابه PAGEREF _Toc522523811 \h 342-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام PAGEREF _Toc522523812 \h 342-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام PAGEREF _Toc522523813 \h 422-6-3- کاربرد داده کاوی در بازار سهام PAGEREF _Toc522523814 \h 492-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام PAGEREF _Toc522523815 \h 51 فهرست شکل ها TOC \h \z \t "ali2,1" شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه PAGEREF _Toc398329316 \h 21 شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي PAGEREF _Toc398329317 \h 45 شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند. PAGEREF _Toc398329318 \h 45 شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد) PAGEREF _Toc398329319 \h 47 شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی PAGEREF _Toc398329320 \h 48 شکل 2-6 : توابع فعالساز داده کاوی و نقش آن در پیش پردازش داده ها و داده کاوی سری‌های زمانی و اندیکاتورهای تحلیل تکنیکال ی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی PAGEREF _Toc398329321 \h 50 شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی) PAGEREF _Toc398329322 \h 51 شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی PAGEREF _Toc398329323 \h 52 شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی PAGEREF _Toc398329324 \h 53 شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر PAGEREF _Toc398329325 \h 54 شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال PAGEREF _Toc398329326 \h 56 TOC \p " " \h \z \t "ali2,1" فصل دوم ادبیات تحقیق 2-4- شبکه عصبی 2-4-1- معرفی: در اواخر سال 1940 میلادی پیشگامان علم شبکه‌های عصبی، مک‌کلوچ و پیتس در رابطه با توانایی ارتباط ‌درونی مدل یک نرون، مطالعاتی انجام دادند. آنها یک مدل محاسباتی بر مبنای یک عنصر شبیه‌نرونی ساده ارائه نمودند. در همان زمان دانشمندان دیگری مثل دونالد هب نیز بر روی قوانین تطبیق در سیستم‌های نرونی کار می‌کردند. در سال 1949، دونالد هب، یک قانون یادگیری برای تطبیق ارتباطات بین نرون‌های مصنوعی ارائه نمود. اندکی بعد در سال 1958 روزنبلات ، پرسپترون را مطرح کرد و سپس تئوری تفکیک آماری را برمبنای آن توسعه داد. قدم بزرگ بعدی کشف فرمول‌بندی قانون یادگیری جدید بهوسیله ویدرو و هاف در طرحی موسوم به آدالاین بود. در سال 1971 وربوس ، یک الگوریتم پس‌انتشار را در رساله دکتری خود منتشر کرد و در نهایت روزنبلات این تکنیک را در 1986 کشف مجدد نمود. 2-4-2- کاربرد شبکه های عصبی امروزه شبکه‌های عصبی مصنوعی بهطور گسترده‌ای، با هدف دستیابی به کارایی شبه انسانی مطالعه می‌شوند. این شبکه‌ها از تعدادی عناصر محاسباتی خطی و غیرخطی که بهطور موازی عمل می‌کنند، تشکیل شده‌اند. شبکه‌های عصبی مصنوعی تحت عناوین مختلفی همچون مدل‌های پیوندگرا، مدل‌های پردازش موازی توزیع‌شده و سیستم‌های نورومورفیک مطرح گردیده‌اند. ایده اصلی مدل پیوندگرا به فیلسوف بزرگ یونان باستان ارسطو برمی‌گردد. وی مفهومی را مطرح کرد که در آن تعدادی از عناصر ساده مرتبط ‌به‌هم بهواسطه یک سری مکانیزم‌های خاص، منجر به پیدایش حافظه می‌شدند. بهطور کلی می‌توان گفت که شبکه‌های عصبی از دو دیدگاه مورد مطالعه قرار می‌گیرند. دیدگاه نخست مربوط به علوم شناختی است و دیدگاه دوم که در واقع به تئوری پردازش اطلاعات برمی‌گردد، همان پیوندگرایی است. شبکه‌های عصبی مطرح شده در این تحقیق نیز مربوط به دیدگاه دوم از نقطه نظر مهندسی می‌باشد. 2-4-3- تعریف پایه شبکه های عصبی اساس شبكه هاي عصبي بر پايه ساختار آنها بنا شده است، كه اين ساختار شامل يك يا چند لايه ، كه هر لايه داراي تعداد نرون كه اين نرون ها از طريق وزن ها به يكديگر متصل مي باشند. هر نرون داراي ورودي (ها) و خروجي (ها) مي باشند كه هر نرون بر اساس ورودي (ها)محاسبه و خروجي (ها)لازم را توليد ميكند. عملكرد كلي شبكه هاي عصبي بر اساس ساختار شبكه عصبی، که شامل ساختار پيش رو(ساختار اول) می باشد، که در آن، هیچ حلقه‌ای در ساختار شبکه وجود ندارد، شکل 2-2 و ساختار بر گشتي(ساختار دوم)، که در آن بهواسطه ارتباطات پسخور، حلقه‌هایی در ساختار شبکه بهوجود می‌آید، شکل 2-3 ، این ساختار ها شامل چند لايه و تعدادی نرون در لایه ها مي باشند. لذا از این منظر می‌توان شبکه‌های عصبی را به دو گروه عمده دسته‌بندی نمود. ∫∫∫∫2∫2ورودي هالايه ميانيلايه خروجيW1W2∫////∫∫∫∫2∫2ورودي هالايه ميانيلايه خروجيW1W2∫//// شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي ∫∫∫∫ورودي هالايه ميانيلايه خروجيW1W2∫///∫∫∫∫∫ورودي هالايه ميانيلايه خروجيW1W2∫///∫ شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند. شبکه‌های عصبی پیشرو ایستا هستند. بدین معنی که یک ورودی معین تنها یک مجموعه از خروجی‌ها را می‌تواند تولید کند. در مقابل شبکه‌های عصبی بر گشتي، بهواسطه وجود حلقه در ساختارشان حافظهدار هستند و این قابلیت در آن‌ها وجود دارد که اطلاعات موقتاً در حافظه آنها ذخیره شوند. شبکه‌های عصبی بهعنوان یکی از قدرتمندترین پردازشگرهای غیرخطی سیگنال، برای طیف وسیعی از کاربردهای پردازش سیگنال کاربرد دارند. در مهندسی عمران شبکه‌های عصبی در تشخیص آسیب‌های سازه‌ای، شناسائی سیستم سازه‌ای، مدلسازی رفتار مواد، بهینه سازی سازه‌ای، کنترل سازه‌ای، طرح اختلاط بتنو... مورد استفاده قرار گرفته است. در سالهای اخیر، شبکه‌های عصبی مصنوعی، بهعنوان ابزارهای رگرسیون، کارائی فوق‌العاده‌ای از خود نشان داده‌اند. علی‌الخصوص در کاربردهایی همچون شناسائی الگو و تقریب توابع. این شبکه‌ها قادرند روابط پیچیده غیرخطی بین متغیرهای ورودی و خروجی را در یک سیستم یاد بگیرند بدون اینکه دانشی قبلی نسبت به آن پدیده یا سیستم داشته باشند . 2-4-4- ویژگی های شبکه عصبی 2-4-4-1- ساختار نرون نرون یک واحد پردازنده اطلاعات است. درواقع کوچکترین واحد تشکیل دهنده شبکه‌های عصبی نرون می‌باشد. بلوک دیاگرام REF _Ref230021074 \h \* MERGEFORMAT شکل2-4 مدل یک نرون پرکاربرد را نشان می‌دهد. عناصر اصلی تشکیل دهنده یک نرون عبارتند از: 1- مجموعه‌ای از سیناپس‌ها یا لینک‌های ارتباطی، که به هرکدام وزنی اختصاص داده می‌شود. سیگنال xi ورودی از طریق وزنwi به هسته مرکزی انتقال داده میشود. برخلاف سیناپس‌های مغز انسان، وزن سیناپسی در نرون‌های مصنوعی می‌تواند هم مقادیر مثبت و هم مقادیر منفی را دربرگیرد. 2- یک جمع کننده، برای جمع کردن سیگنال‌های وزن‌دار 3- تابع فعالسازی، برای محدود کردن دامنه خروجی نرون در نظر گرفته میشود. معمولاً دامنه خروجی نرمالسازی شده نرون بین0,1 یا -1,1درنظر گرفته می‌شود. شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد) همچنین، مدل نرونی REF _Ref230021074 \h \* MERGEFORMAT شکل2-4 دارای یک بایاس خارجی است که بوسیله عدد ثابت مثلا w0 نشان داده می‌شود. براین اساس فرم ریاضی یک نرون را می‌توان بشکل زیر تعریف نمود. net=i=1n0wixi+w0 W0 بیانگر عرض از مبدا است که در آن x1…xn0سیگنال‌های ورودی و w1…wn0 وزن‌های سیناپسی می‌باشد. net خروجی ترکیب کننده خطی سیگنال‌های ورودی و بایاس است یا به عبارت بهتر مجموع ورودیهای وزندار نرون است. تابع F نیز تابع فعالسازی o سیگنال خروجی نرون است. تاثیر رفتار w0 به ازای مقادیر مختلفی در خروجی ترکیب‌کننده خطی net در REF _Ref229970640 \h \* MERGEFORMAT شکل2-5 نشان داده شده است. شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی 2-4-4-2- توابع فعال سازی در اینجا چند نوع از انواع توابع فعالسازی را مطرح می‌کنیم. نمودار این توابع در جدول 2-1 و شکل 2-6 نشان داده شده است. QUOTE Fnet=1, ifnet≥0 0, ifnet<0 جدول 2-1 : توابع فعالسازی نرون های مختلف در شبکه های عصبی تابع با قابلیت محدود کننده (حد آستانه)Fnet=11+e-g.netتابع خطی تکه‌ایFnet=1, ifnet≥12net, if12>net≥-120, ifnet≤-12تابع سیگموئید تک قطبیFnet=1, ifnet≥0 0, ifnet<0 تابع گوسینFnet=e-g2 g=x-xσ, (x=net)تابع خطیFnet=netتابع سیگموئید دو قطبیFnet=1-e-g.net1+e-g.net QUOTE Fnet=1-e-g.net1+e-g.net شکل 2-6 : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی 2-4-4-3- ساختارهای شبکه 1- شبکه‌های عصبی پیشرو تک‌لایه در ساده‌ترین شکل شبکه عصبی که در شکل 2-7 نشان داده شده، یک لایه ورودی از گره‌های منبع داریم که در نهایت از طریق وزن‌ها به نرون‌های لایه خروجی وصل می‌شوند. REF _Ref229971921 \h \* MERGEFORMAT شکل 6 ساختار این شبکه را با n0 گره (سیگنال) ورودی و n1 نرون خروجی نشان می‌دهد. چنین ساختاری به شبکه عصبی با دو لایه که فقط لایه خروجی فعال می‌شود. شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی) لازم به ذکر است تعدادگره های لایه های ورودی و خروجی بر حسب نیاز انتخاب میشوند. 2- شبکه‌های عصبی پیشرو چندلایه دسته دوم شبکه‌های عصبی پیشرو همانند شکل 2-8 دارای لایه های ورودی و خروجی میباشد و فقط لایه میانی به آن اضافه شده است، شامل یک یا چند لایه میانی (پنهان) است که نرون‌های این لایه‌ها، نرون‌های مخفی نیز نامیده می‌شوند. شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی با اضافه کردن یک و یا چند لایه میانی، شبکه عصبی توانایی تجزیه و تحلیل‌ با درجه بالاتری را خواهد داشت. نمودار REF _Ref229972249 \h \* MERGEFORMAT شکل ساختار شبکه عصبی پیشرو با دو لایه فعال و یک لایه مخفی (میانی) را نشان می‌دهد. توابع فعالسازی در لایه خروجی عمدتاً براساس نیاز کاربر انتخاب می‌شوند. و تعداد نرون های لایه میانی بر اساس طراحی و نیاز سیستم انتخاب میشود که عمدتا به صورت سعی و خطا میباشد. هر نرون در هر لایه از شبکه بواسطه وزن به هرکدام از نرون‌های لایه بعدی خود متصل شده است. چنین ساختاری را شبکه کامل متصل می‌گویند. حال چنانچه بخشی از این ارتباطات وجود نداشته باشند، آن را نیمه متصل می‌گویند. 3- شبکه‌های عصبی برگشتی در ساختار این نوع از شبکه‌های عصبی حداقل یک حلقه پسخور وجود دارد. REF _Ref229973768 \h \* MERGEFORMAT شکل ساختار شبکه برگشتی را نشان می‌دهد که در آن خروجی هر نرون، سایر نرون‌های شبکه را تغذیه می‌کند. توجه کنید که در این ساختار، حلقه‌های خودپسخور وجود ندارد. ارتباط بین خروجی با نرونهای دیگر از طریق وزن ها صورت میگیرد. شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی REF _Ref229975167 \h \* MERGEFORMAT شکل2-9 کلاس دیگری از شبکه‌های عصبی برگشتی با نرون‌های مخفی را نشان می‌دهد. حلقه‌های پسخور نشان داده شده در REF _Ref229975167 \h \* MERGEFORMAT شکل2-10 هم از نرون‌های خروجی و هم از نرون‌های میانی بوجود می‌آیند. وجود این حلقه‌های برگشتی در ساختار شبکه، قدرت یادگیری شبکه را افزایش می‌دهد. و عمق حافظه در این نوع ساختار زیادتر میشود. شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر 2-4-5- یادگیری در شبکه های عصبی سومین مشخصه اصلی یک شبکه عصبی، قابلیت شبکه عصبی برای یادگیری از محیط پیرامون خود و بهبود کارائی از طریق فرآیند یادگیری است. یک شبکه عصبی بواسطه فرآیندهای یادگیری قادر است با اعمال تنظیمات لازم بر روی وزن‌های سیناپسی، محیط اطراف خود را بهتر درک کند. به عبارت بهتر، پس از هر تکرار فرآیند یادگیری، دانش شبکه عصبی درباره محیطی که در آن قرار دارد بیشتر می‌شود. موضوع یادگیری از نقطه نظرهای مختلف، می‌تواند بسیار متفاوت باشد. هدف و منظور اصلی از یادگیری، می‌تواند در قالب تعریف زیر بیان شود: "یادگیری فرآیندی است که در آن پارامترهای آزاد یک شبکه عصبی بواسطه یک فرآیند تحریکی بیرونی، با محیطی که شبکه در آن قرار گرفته است، تطبیق پیدا می‌کند." از این تعریف موارد زیر حاصل می‌شود : 1- شبکه عصبی بوسیله محیط پیرامون تحریک می‌شود، 2- شبکه عصبی در نتیجه این تحریک تغییراتی در پارامترهای آزادش اعمال می‌کند، 3- شبکه عصبی به دلیل تغییراتی که در ساختار درونی‌اش برحسب الگوهای جدیدی که در محیط پیرامون وجود دارد، رخ داده است، پاسخ مناسب‌تری از خود نشان می‌دهد. 4- تزریق الگوهای جدید به شبکه عصبی، سبب ایجاد دانش جدیدی در شبکه می‌شود. قوانین فوق یک الگوریتم یادگیری را برای حل مسائل یادگیری ارائه می‌دهد. بوضوح می‌توان دریافت که تنها یک الگوریتم واحد برای طراحی شبکه‌های عصبی وجود ندارد. ما مجموعه‌ای از ابزارهای ارائه شده برای طیف وسیعی از الگوریتم‌های یادگیری در اختیار داریم که هرکدام از آنها مزایای خاص خودشان را دارا می‌باشند. تنها تفاوت الگوریتم‌های یادگیری، در روش فرمول‌بندی تنظیم وزن‌های سیناپسی یا وزن‌های سیناپسی و پارامترهای شبکه عصبی است. 2-4-5-1- شبکه ای با سه نرون در ابتدا برای مطالعه‌ی ساختار‌ها و فرآیندهای یادگیری تطبیقی از شبکه‌های عصبی، یک نمونه با دو لایه فعال از شبکه‌عصبی با سه نرون مطابق REF _Ref230799297 \h \* MERGEFORMAT شکل درنظر گرفته می‌شود. دو نرون neur21 و neur11QUOTEneuron21 در لایه فعال اول یا لایه میانی و یک نرون neur12 در لایه فعال دوم قرار گرفته است. در نتیجه مطابق REF _Ref230799297 \h \* MERGEFORMAT شکل 2-11 وزن‌های مربوط به نرون‌های فعال این دولایه فعال به صورت زیر می‌باشند: وزنهای بین لایههای اول و ورودی: w101,w111,w121,…,w1n01w201,w211,w221,…,w2n01 وزنهای بین لایههای فعال دوم و اول: w102,w112,w122,…,w1n12} شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال بنابراین با توجه به REF _Ref230799297 \h \* MERGEFORMAT شکل معادلات پیشروبین لایه های ورودی- خروجی مربوط به این دو لایه فعال به صورت زیر خواهند بود: نرونهای لایه فعال اول: neuron11=net11=i=0n0w1i1∙xio11=Fnet11neuron21=net21=i=0n0w2i1∙xio21=Fnet21 نرونهای لایه فعال دوم: neuron12=net12=i=0n1w1i2∙oio12=Fnet12 که در روابط اخیر x00 و o01 به ترتیب بایاس نرونهای لایه فعال اول و دوم میباشند. حال روابط فوق را به صورت برداری نمایش میدهیم. 2-4-5-2- یادگیری بر پایه پس انتشار خطا فرآیند یادگیری برای یک شبکه عصبی ساده می‌تواند به فرم زیر ارائه گردد. با در دست داشتن پاسخ مطلوب d، یک فرمول تطبیق‌پذیر برای وزن‌های سیناپسی در شبکه بدست می‌آید به نحوی که خروجی شبکه بقدر کافی به d نزدیک شود و یا اینکه شبکه عصبی دانش لازم را از پاسخ مطلوب dکسب نماید. برای حل این مسئله می‌تواند راهکار پس انتشار مشتق شده از گرادیان نزولی که برپایه قانون زنجیری می‌باشد، مورد استفاده قرار گیرد. جزئیات این روند به این صورت است.مربع خطای لحظه‌ای بین پاسخ مطلوب d و خروجی شبکه در مرحله k را بعنوان تابع معیار عملگرد شبکه در نظر گرفته می شود: Ek=12e2k=12dk-o2k2=12dk-Fnet12k2 که در رابطه فوق o2 خروجی لایه فعال دوم می باشد. 2-4-5-3- یادگیری بر اساس قانون دلتا قانون تطبیق وزن ها یا پارامترها در یک شبکه عصبی چند لایه ، در قالب قانون دلتـا نخستین بار بوسیله Rumelhart و McCelland در سال 1986 ارائه شد. این قانون یک فرآیند بهینه سازی را اجرا می‌کند بنحوی که هر خطای خروجی تعریف شده بعنوان خطای بین خروجی مطلوب dk و خروجی شبکه عصبی QUOTEokدر آن کمینه شود. برای بسط ریاضی این مسئله، یک نمونه تابع خطا در قالب مجموع مربعات خطای خروجی برای شبکه به فرم زیر ارائه می‌گردد. E=12j=1n2djk-oj2k2=12j=1n2ej2k که در آن خطای خروجی ej خطای بین j- امین پاسخ مطلوب و j- امین خروجی شبکه می‌باشد. و n2 تعداد نرون های لایه خروجی هستند.ضریب12 در معادله بالا برای سهولت محاسبه مشتق‌ها استفاده شده است. توجه کنید که مجموع مربعات خطای خروجی E تابعی از تمام وزن‌های سیناپسی و مقادیر آستانه مربوط به شبکه عصبی QUOTEokمی‌باشد. 2-5- تحلیل تکنیکال 2-5-1- مقدمه: تحلیل تکنیکی) یا تحلیل فنی (Technical Analysis) روشی برای پیش‌بینی قیمت‌ها در بازار از طریق مطالعه وضعیت گذشته بازار است. در این تحلیل از طریق بررسی تغییرات و نوسان‌های قیمت‌ها و حجم معاملات و عرضه و تقاضا می‌توان وضعیت قیمت‌ها در آینده را پیش‌بینی کرد. این روش تحلیل در بازار ارزهای خارجی، بازارهای بورس اوراق بهادار و بازار طلا و دیگر فلزات گران‌بها کاربرد گسترده‌ای دارد. این نوع تحلیل با استفاده از «مطالعه رفتار و حرکات قیمت و حجم سهام در گذشته و تعیین قیمت و روند آینده سهم» صورت می‌پذیرد. تغییرات قیمت سهم با استفاده از پیشینه تاریخی و نمودار توسط تحلیل گر تکنیکی مورد تجزیه و تحلیل قرار می‌گیرد. این روش بیشتر مورد استفاده سفته‌بازان قرار می‌گیرد و بدین صورت قصد دارند تا بازده مورد نظر خود را در هنگام بالا رفتن قیمت سهم افزایش دهند. در واقع سرمایه گذاران با دیدگاه کوتاه مدت از این روش بهره می‌جویند. تحلیل تکنیکی (فنی)، با آزمون قیمت‌های گذشته و حجم مبادلات حرکت‌های آینده، قیمت را پیش بینی می‌کند. اساس این تحلیل‌ها بر استفاده از نمودار و رابطه‌های ریاضی و هندسی متمرکز است تا بدین گونه روندهای کوچک و بزرگ بدست آید. در این راستا فرصت‌های خرید یا فروش از راه برآورد محدوده نوسانات بازار مشخص می‌شود. تحلیل تکنیکی فرایند بررسی قیمت‌های تاریخی سهام در کوششی جهت تعیین قیمت‌های احتمالی آینده‌است. این کار بوسیله مقایسه روند انتظاری قیمت جاری با حرکت قیمت تاریخی قابل قیاس، انجام می‌گیرد تا نتیجه معقولی پیش‌بینی گردد. کارشناسان سنتی ممکن است این فرایند را به عنوان یک حقیقت این طور تعریف کنند که تاریخ خودش را تکرار می‌کند، حال آنکه دیگران به این گفته بسنده می‌کنند که باید از گذشته پند بگیریم. تحلیل تکنیکی دانشی تجربی است که در طی زمان تکامل یافته و افراد بسیاری در رشد و هدایت آن نقش داشته‌اند. بدون تردید پایه‌های تحلیل تکنیکی که امروز به طور گسترده در سراسر دنیا بکار برده می‌شود، توسط بررسی‌ها و نتیجه گیری‌های چارلز داو بنا نهاده شد. تحلیل تکنیکی یکی از روشهای تحلیل بازار و پیش بینی قیمت‌هاست. در اصل پیش بینی قیمت به دو روش اصلی امکان پذیر است:تحلیل فاندامنتال و تحلیل تکنیکال در تحلیل تکنیکال اساس پیش بینی بر مبنای تغییرات تاکنون قیمت و روند تغییر در بازه‌های زمانی مشخص پایه گذاری شده. معامله‌گر با مشاهده چارت قیمتها و استفاده ازاندیکاتورهای لازم برای استراتژی خود، به تحلیل بازار می‌پردازد. استراتژی روش محاسبه نقاط ورود به بازار و خروج از آن است که معامله گر یا خود به آن دست یافته یا از یافته‌های دیگران استفاده می‌کند. پایه نظر تحلیل گران تکنیکالی این است که وقایع هرچه که باشند اثر خود را بر روی قیمت و در نهایت روی چارت می‌گذارند بنابراین کسی که چارت را بشناسد فارغ از اخبار و وقایع می‌تواند معامله کند. 2-5-2- اندیکاتورهای تحلیل تکنیکال اندیاتورهای تحلیل تکنیکال نیز در واقع شاخص هایی هستند که هر کدام به نحوی اطلاعاتی را در مورد بازار منعکس می کنند، در این مقاله از مشهورترین اندیکاتورها استفاده شده است، جدول 4-2 اندیکاتورهای معروف را مرتب کرده و توضیح کوتاهی در مورد هر یک شرح می دهد. جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال نام اندیکاتورتوصیففرمول%kاسیلاتور تعریف شده در مدت زمان مشخصCt-LLt-nHHt-n-LLt-n؛در حالی که LLپایین ترین قیمت پایین و HH بالاترین قیمت بالا است%Dمیانگین متحرک اندیکاتور %K0n-1Kt-inSlow %Dمیانگین متحرک اندیکاتور %D0n-1Dt-inMomentumتغیر قیمت سهم در بازه مشخصCt-Ct-4ROCنشانگر میزان رشد در یک بازه مشخصCtCt-n*100William %Rاندازه گیری فروش یا خرید بیش از اندازهHt-CtHt-Lt*100A/D Oscillatorاندیکاتور ویلیام با قیمت روز گذشتهHt-Ct-1Ht-LtDisparity5نشانگر نسبت قیمت و میانگین متحرک پنج روزهCtMA5*100 جدول 4-2 : شرح اندیکاتورهای معروف تحلیل تکنیکال : ادامه جدول OSCPاندازه گیری تفاوت دو میانگین متحرک مختلفMA10-MA5MA5CCIاندازه گیری اختلاف قیمت سهم از میانگینMt-SMt0.015DtMt=(Ht+Lt+Ct)/3SMt=1nMt-i+1nRSIاسیلاتوری که از صفر تا صد تغیر می کند.100-1001+(0n-1UPt-i/n)(0n-1Dwt-i)در حالی که UP و DW تفاوت قیمت های بالا و پایین در زمان t است 2-6- مرور پژوهش های مشابه 2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام یون و اسوالز (1991) با توضیح اینکه شبکه عصبی توانایی یادگیری تابعی برای تبدیل کردن ورودی ها به خروجی ها از طریق وزن ها را دارد، کارایی آن را با Multivariate Discriminant Analysis مقایسه کرده و به این نتیجه رسیده است که کارایی شبکه عصبی به صورت معناداری بالاتر از تکنیک رقیب در پیش بینی قیمت می باشد. وانگ اف.اس و همکاران (1992) تلاش کرد تا از گیت های شبکه عصبی برای پیش بینی بازار سهام، ریسک دارایی های کشوری و طبقه بندی سهام بازار سهام بر مبنای قوانین فازی، قوانین احتمالی و قوانین بولی استفاده کند. کری زانوسکی و همکاران (1993) تصمیم گرفت تا از شبکه های عصبی در پیش بینی بازده های مثبت و منفی بازار سهام استفاده کند. نتایح به دست آمده حاکی از 72 درصد پیش بینی صحیح در کلاس بندی بازده ها داشته و نسبت به پیش بینی با مدل قدم زدن تصادفی برتری معناداری داشتند. دونالدسون و کمسترا (1996) به بررسی استفاده از شبکه های عصبی برای تلفیق کردن پیش بینی های مدل های سری های زمانی جهت پیش بینی نوسان پذیری بازارهای سهام در آمریکا می پردازد. همچنین توضیح می دهد که تلفیق به وسیله الگوریتم های غیر خطی شبکه های عصبی نتایج بهتری به دست می آید. لاورنس (1997) تحقیقی در مورد کارایی شبکه های عصبی در مورد آزمون نظریه کارایی بازار سرمایه انجام داده و در ضمن با مقایسه کارایی شبکه های عصبی در تخمین قیمت اوراق بهادار، به این نتیجه می رسد که این شبکه ها عملکرد بهتری از تکنیک های آماری و رگرسیون دارند. مشیری و کامرون (2000) به مقایسه کارایی شبکه های عصبی با الگوریتم پس خور بازگشتی و مدل های کلاسیک اقتصادی برای پیش بینی تورم پرداخته و نشان داده است که شبکه های عصبی قادر هستند که تورم را به خوبی مدل های کلاسیک پیش بینی کنند و تفاوت معناداری میان این دو روش پیدا نکرد. کاناس (2003) به بسط و بررسی مدل های غیرخطی و مدل های خطی برای پیش بینی پرداخته و آنها را بر اساس پیش بینی های نادرست با یکدیگر مقایسه کرده است. وی به مقایسه دو مدل خطی و دو مدل غیر خطی پردخته است که مدل های خطی عبارت از standard regime switching و markov regime switching بوده و مدل های غیر خطی شامل نزدیک ترین همسایگی و شبکه عصبی می باشند. نتایج به دست آمده حاکی از برتری مدل های غیر خطی و در الگوریتم های غیرخطی برتری شبکه عصبی در پیش بینی بازده سهام دارند. جاسیک و وود (2004) به مطالعه سیگنال های معنادار آماری و پتانسیل های کسب سود برای یک دوره جلوتر در بازار سهام پرداخت به وسیله شبکه های عصبی پرداخته و نتایج نشان دهنده برتری شبکه عصبی نسبت به مدل های کلاسیک در پیش بینی سیگنال های خرید و فروش بودند. فیش بین (2002) به مبحث زمان بندی بازار سرمایه پرداخته و با طراحی مدلی به پیش بینی نقاط کسب سود و دوری جستن از نقاط افت پرداخته است. در این تحقیق از شبکه عصبی که با الگوریتم ژنتیک بهینه شده است استفاده شده که یک مکانیزم منعطف برای پیش بینی و تعیین استراتژی سرمایه گذاری پرداخته است. جای و لی (2004) به مطالعه شبکه های عصبی بر مبنای الگوریتم ژنتیک بر مبنای GMT برای مطالعه و شناسایی الگوهای موجود در بازار سرمایه پرداخته و به این نتیجه رسیده است که استفاده از GMT تفاوت معناداری در جواب های به دست آمده از شبکه عصبی ایجاد می کند. آلتای و ستمان (2005) با مطالعه بازار سهام استانبول به توانایی پیش بینی پذیری بازار از طریق پروسه های یادگیری شبکه عصبی پراخته و نتایح را با متدهای رگرسیون خطی و خرید و نگهداری مقایسه کرده و به برتری شبکه های عصبی در مقایسه با دو الگوریتم دیگر رأی داده است. مارچسی و مورو (2005) با مطالعه رویکرد نوینی برای اجرای پروسه پیش بینی قیمت سهام که به صورت مفهومی توضیح داده شده بود و از الگوریتم ژنتیک به عنوان معمار شبکه های عصبی استفاده کرده بود پرداخته است. نتایج تحقیق نشان دهنده بهبود جواب های پیدا شده توسط این الگوریتم پیشنهادی داشتند اما این بهبود، معنادار نبود. پن و تیلاراتن (2005) به بررسی تعدادی از جنبه های انتخاب مشخصه های ورودی و تعداد لایه های پنهان و تعداد نورون های هر لایه در شبکه عصبی عملی برای پیش بینی شاخص بازار سهام استرالیا AORD پرداخت. در این تحقیق که به پیش بینی جهت تغییرات شاخص پرداخته است، شبکه عصبی بهبود یافته توانست تا 80 درصد پیش بینی صحیح داشته باشد. کیم و همکاران (2005) به بررسی یک متد ترکیبی از شبکه های عصبی تأخیری TDNNs و الگوریتم ژنتیک در زمینه شناسایی الگوهای قیمتی بازار سهام پرداخته و نشان داده است که الگوریتم ترکیبی GA-TDNNs که پیشنهاد شده است داراری عملکرد بهتری نسبت به TDNN استاندارد و شبکه های عصبی معمولی در شناسایی الگو دارد. کاو و همکاران (2005) از شبکه عصبی مصنوعی برای پیش بینی جهت تغییرات قیمت سهام برای شرکت های حاضر در بورس شانگهای استفاده کرده و نتایج به دست آمده از شبکه های تک متغیره و چند متغیره عصبی حاکی از برتری آنها نسبت به مدل های خطی داشته و این برتری از لحاظ آماری معنادار بوده است. نویسنده نتیجه گرفته است که شبکه های عصبی می توانند در زمینه پیش بینی در بازارهای نوظهور مانند چین خوب عمل کنند. یاماشیتا و هیراساوا (2005) با استفاده از شبکه عصبی چند شعبه ای برای پیش بینی قیمت سهام و شبیه سازی تغییرات آن استفاده کرده و آزمایش خود را بر روی NIKKEI 225 برای پیش بینی یک دوره جلوتر متمرکز کرده است و در نهایت به برتری معنادار این شبکه عصبی نسبت به مدل های خطی و برتری غیر معنادار نسبت به شبکه های عصبی معمولی رسیده است. اوکانر و مادن (2006) کارایی استفاده از اندیکاتورهای خارجی همچون قیمت کالا و نرخ مبادله ارز را بر پیش بینی جهت تغییرات قیمت بررسی می کند. مورد مطالعه، شاخص داو جونز بوده و نتایج به دست آمده نشان دهنده افزایش کارایی معنادار شبکه عصبی با وارد شدن متغیرهای خروجی است. دوتا و همکاران (2006) به مدل سازی بازار سهام هند با استفاده از شبکه های عصبی پرداخته و سپس نتایج را بررسی و کارایی این شبکه را با مدل های کلاسیک مقایسه کرده است. نتایج نشان دهنده برتری شبکه عصبی پیش رو نسبت به مدل های سری زمانی و رگرسیون چند متغیره دارند. کانتنینو و همکاران (2006) به آنالیز regime switching و شبکه عصبی مصنوعی با معیارهای نوسان پذیری و پیش بینی های خارج از واقعیت در بازار سهام قبرس Cyprus stock exchange پرداخته و با مقایسه مدل های مذکور در دو معیار گفته شده، به این نتیجه رسیده است که شبکه عصبی عملکرد قابل قبول تری را ارائه می کند ولی این عملکرد بهتر از لحاظ آماری معنادار نیست. بلینسکی و فسرک (2006) قیمت اوراق اختیار را به وسیله شبکه عصبی پس خور بازگشتی مطالعه و پیش بینی رده و نتایج به دست آمده را با مدل بلک شولز black-scholes model، مدل بلک شولز با نوسان ضمنی volatility black-scholes model with pure implied در یک بازه پنج ساله بررسی کرده و نتایج حاکی از برتری معنادار شبکه عصبی پس خور بازگشتی نسبت به الگوریتم های کلاسیک بلک شولز داشتند. پاندا و وی (2006) به پیش بینی شاخص بازار سهام هند به وسیله شبکه عصبی پرداخته و نتایج آن را با دو مدل کلاسیک شامل مدل قدم زدن تصادفی و مدل خطی اتورگرسیو مقایسه کرده و برای این کار از شش شاخص استفاده کرده است. نویسندگان مقاله به این نتیجه رسیدند که عملکرد شبکه عصبی در مجموع از مدل های رقیب مذکور برتر است. لیانگ (2006) مطالعه ای بر روی رابطه پیچیده میان جهت تغییرات قیمت و جریان اطلاعات سهام را بر مبنای آنتروپی جریان اطلاعات سهام انجام داده است. شدت جریان اطلاعات سهام و رابطه آن با تغییرات قیمت، توسط شبکه عصبی برآورد و اندازه گیری شده و البته در نهایت رابطه معناداری میان جریان اطلاعات و قیمت سهام شناسایی شد. کوپلن (2007) با ارائه مدلی برای مدل سازی فرآیند شبکه عصبی در پیش بینی جهت تغییرات قیمت سهام، به مطالعه مشکلاتی در زمینه پیش بینی جهت تغییر قیمت پرداخته است که به وسیله تغییراتی در شبکه عصبی طراحی شده، کاهش یافته و پیش بینی های مالی دقیق تری را ارائه می نماید. شن و همکاران (2007) با پیشنهاد شبکه عصبی تأخیری با الگوریتم یادگیری adaptive learning و pruning algorithm به پیش بینی تغییرات غیر خطی شاخص سهام پرداخته است. نتایج شبیه سازی و مقایسه نشان می دهد که پیش بینی به این روش نه تنها نسبت به روش های کلاسیک دقیق تر است، بلکه مدلی با پیچیدگی کمتر نیز تخمین می زند. خان و همکاران (2008) با مقایسه شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک و شبکه عصبی پس خور بازگشتی در مورد مقایسه نرخ تغییرات قیمت سهام، به این نتیجه رسید که شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک عملکرد بهتری نسبت به الگوریتم رقیب خود به صورت معنادار دارد. یلدیز و همکاران (2008) شبکه عصبی کارای سه لایه با الگوریتم پس خور بازگشتی طراحی کرده و به پیش بینی جهت تغییرات شاخص بازار سهام استانبول پرداخته است. به عنوان نتیجه، دقت پیش بینی انجام شده توسط این شبکه بیش از 74 درصد بوده که نسبت به الگوریتم های کلاسیک برتری معناداری دارد. اس دی و دی ای (2008) به بررسی سوددهی استراتژی معاملاتی در بازار سهام بر مبنای پیش بینی جهت تغییرات قیمت سهام پرداخته است. نمونه مورد مطالعه شاخص نزدک بوده است و الگوریتم پیشنهادی جهت پیش بینی شاخص نیز شبکه عصبی معرفی شده است. نتایج تحقیق نشان دهنده کارا بودن استراتژی معاملاتی از لحاظ آماری نسبت به روش قدم زدن تصادفی می باشد. گورسن و کایاکوتلو (2008) کارایی مدل شبکه عصبی، شبکه عصبی جاری، شبکه عصبی دینامیک، و ترکیب شبکه عصبی با الگوریتم های GARCH و EGARCH را مقایسه و بررسی کرده است و برای این بررسی از دو معیار MSE و MAD بهره گرفته شده است. تحقیق مورد نظر در بازار سهام استانبول صورت گرفته است. سی دی و ام (2009) modified NN را مطالعه و پیش بینی کرده است که استراتژی خرید، نگهداری و فروش به صورت بهینه چگونه باشد تا شاخص بازار سهام بیشترین سود را عاید سرمایه گذار کند. نتایج به دست آمده نشان دهنده کارایی مثبت شبکه نسبت به تحلیل تکنیکال دارد اما این کارایی معنادار نبوده است. ای ال و همکاران (2009) با اجرا کردن یک مقایسه در بازار سهام برزیل، دو متد شبکه عصبی و adaptive exponential smoothing را مقایسه کرده و موضوع مقایسه را نیز پیش بینی جهت تغییرات شاخص سهام تعیین کرده است. نتایج نشان دهنده برتری معنادار شبکه عصبی بوده است. کاو و همکاران (2009) نشان می دهد که شبکه های عصبی توانایی از بین بردن غیرخطی بودن موجود در داده های مالی را داشته و می توانند پیش بینی های خوبی را در مورد مدل های پیچیده غیر خطی انجام دهند. نتایج بین شبکه عصبی و متدهای کلاسیک آماری برای بازار سهام پرتغال مقایسه شده است. 2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام شبکه های عصبی نشان داده اند که قادر به پیش بینی سهام با نوسان بالا و غیرخطی را با قدرت یادگیری بالای خود دارند. شبکه های عصبی پیش رو، متدوال ترین معماری شبکه های عصبی هستند که در پیش بینی سهام به کار می روند. در این شبکه ها جریان اطلاعات فقط در یک جهت، از لایه ورودی به لایه میانی و از لایه میانی به لایه خروجی می باشد. وایت (1998) با استفاده از شبکه های عصبی پیش رو سه لایه به پیش بینی قیمت سهم IBM پرداختند. آنها از داده های قیمتی 5000 روز برای پیش بینی، که 1000 تای آن جهت آموزش شبکه های عصبی به کار گرفته شدند استفاده کردند. نتایج، به قدر کفایت و در حد مورد انتظار نبود، اما آنها اثبات کردند که شبکه های عصبی کارایی خوبی در پیش بینی بازار سهام دارند. در مجامدر و حوساین (2000) قیمت بسته شدن شاخص سهام هندوستان توسط شبکه های عصبی پیش بینی شد. در این تحقیق از داده های ده سال برای آموزش و تست شبکه استفاده شده و همچنین نویسندگان یک شبکه عصبی بهینه شده با معماری تلفیقی از شبکه عصبی پس خور بازگشتی سه لایه با ده نورون و شبکه عصبی پیش رو سه لایه با پنج نورون در ادامه طراحی کرده و توانستند بالاترین دقت خود را به 89.65 درصد و میانگین دقت خود را به 69.72 درصد برسانند. بسیاری از محققان در مورد مقایسه نتایج عملی به دست آمده از شبکه های عصبی مصنوعی و مدل های رگرسیون خطی در پیش بینی سهام پرداخته اند. منتری و همکاران (2010) به مطالعه مقایسه ای نوسان پذیری BSE Sensex 30 و NSE Nifty 50 پرداخته و نتایج به دست آمده از گارچ، ای گارچ، جی گارچ و آی گارچ را با پرسپترون های چند لایه مقایسه کرده است. GARCH یک مدل توسعه یافته از ARCH می باشد. ARCH یک رویکرد اقتصادی آنالیز نوسانات سری های زمانی در بازارهای مالی می باشد. GARCH برای از بین بردن محدودیت ARCH در کار با محدودیت های غیر منفی به وسیله واریانس شرطی معرفی شده. EGARCH یک توسعه از GARCH و چارچوبی برای مدل کردن نوسانات کمتر از عکس العمل سرمایه گذاران می باشد. IGARCH یک بسط دیگر از مدل GARCH محدود می باشد که تمامی پارامترها را در یک پارامتر تلفیق می کند و لذا یک GARCH تک ریشه ای خوانده می شود. نویسنده اطلاعات چهارده سال را استفاده کرده و نشان داد که اگرچه نوسانات کسب شده توسط MLP کمتر بوده است، ولی این تفاوت از لحاظ آماری معنادار نبوده است. دونالدسون و کمسترا (1997) نیز کارایی همان مدل ها را با ANN-GARCH مقایسه کرده اند. آنها برای این کار از بازده های روزانه مربوط به چهار بازار بین المللی لندن، توکیو، نیویورک و تورنتو استفاده کرده و نتایج نشان دهنده برتری شبکه عصبی تک لایه نسبت به مدل های دیگر است. تیلاکاراتن و همکاران (2007) به پیش بینی سیگنال های معملاتی AORD برای یک روز جلوتر پرداخته و به عنوان ورودی از شاخص S&P 500 آمریکا، شاخص FTSE 100 انگلستان، شاخص CAC 40 فرانسه، شاخص DAX آلمان و قیمت بسته شدن خود AORD استفاده کرده اند. برای پیش بینی از دو شبکه عصبی پیش رو و شبکه عصبی احتمالی استفاده کردند و ارزیابی نتایج بر مبنای نرخ کلاس بندی درست سیگنال ها، نشان دهنده برتری هر دو این شبکه ها از مدل های کلاسیک بود. شیرهلت و دگلی (1996) شاخص S&P 500 را با استفاده از MLP و PROBABLISTIC NN پیش بینی کرده اند. ورودی های این شبکه ها قیمت های بسته شدن S&P 500، و نرخ های مبادلاتی YEN، POUND و مارک برای یک سال بوده است. نتایج نشان دهنده برتری معنادار Probabilistic NN نسبت به MLP بودند. چارخا (2008) به صورت همزمان به پیش بینی روند سهام و قیمت سهام با استفاده از شبکه های عصبی پیش رو و شبکه های عصبی پس خور بازگشتی پرداخته است. آنها آزمایش خود را بر روی اطلاعات NSE (National Stock Exchange) انجام دادند و نتایج به دست آمده حاکی از برتری شبکه های پس خور نسبت به شبکه های پیش رو در پیش بینی روند به میزان بیست درصد بودند. با این حال شبکه های پیش رو در زمینه پیش بینی قیمت قدرت مندتر تشخیص داده شده و صحت بالاتری در پیش بینی از خود نشان دادند. سوتی بنجارد و پرم چایسوادی (2010) به پیش بینی بازار سهام تایلند با استفاده از شبکه های پس خور بازگشتی پرداختند. آنها از داده های 124 روزه برای آموزش و معیارهای MSE و MAPE برای اندازه گیری نرخ خطا استفاده کردند. نتایج نشان دادند که شبکه عصبی توانایی بالاتری در کسب سود نسبت به استراتژی های کلاسیک سرمایه گذاری دارد. در یاو و همکاران (1999)، شاخص سهام کولالامپور با استفاده از شبکه های عصبی پس خور بازگشتی و ورودی های تحلیل تکنیکال و مقادیر شاخص پیش بینی شده است. پایگاه داده از سال 1984 تا 1991 تعیین شده است و نتایج به دست آمده با مدل ARIMA مقایسه شده اند و حاکی از برتری شبکه های عصبی دارند. تنموژی (2006) بازده روزانه BSE را با استفاده از MLP پیش بینی کرده است. مجموعه داده ها شامل مقادیر BSE برای 17 سال بوده است. آنها به نتایج رضایت بخشی در این مورد رسیده و به این نتیجه رسیدند که مقادیر روز قبل بر پیش بینی روز بعد اثر بسیار زیادی داشته و می تواند به پیش بینی دقیق کمک کند. ژانگ (2004) جهت پیش بینی سیگنال های خرید و فروش، شبکه عصبی چند لایه پس خور بازگشتی در داده کاوی مالی به کار برده است. پژوهش از داده های هفت ساله شاخص شانگهای از سال 1995 تا 2003 استفاده کرده است. آنها نشان دادند که مدل پیشنهادی از استراتژی خرید و نگهداری بهتر عمل کرده و دقت 85 درصدی از خود نشان می دهد. یلدیز (2008) از یک شبکه عصبی چند لایه پیش رو همراه با الگوریتم پس خور بازگشتی برای پیش بینی جهت تغییرات سهام استانبول استفاده کرده اند. 1905 مشاهده در این تحقیق استفاده شده و پارامترهای ورودی شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن و نرخ مبادله دلار می باشند؛ نتایج نشان دهنده دقت 74 درصدی پیش بینی در جهت بوده است. به منظور بهبود نتایج تحقیقات انجام شده، برخی از محققان به ترکیب الگوریتم پس خور بازگشتی با الگوریتم های دیگر پرداخته اند. در فنگ و چنگ (2009)، محققان برای پیش بینی شاخص شانگهای از Levenberg – Marquardt Backpropagation در یک شبکه پیش رو سه لایه استفاده کردند. نتایج نشان دهنده عملکرد بهتر این الگوریتم نسبت به حالت معمول داشتند. خان و بندوپادیایا (2008) به مقایسه الگوریتم پس خور بازگشتی با الگوریتم پس خور بازگشتی بر مبنای ژنتیک برای پیش بینی قیمت سهام به صورت روزانه استفاده کردند. نتایج الگوریتم مبتنی بر ژنتیک نسبت به حالت عادی برتری داشت. مجموعه داده ها مربوط به Maruti برای دو سال بودند و دقت کسب شده توسط الگوریتم ژنتیک بنیان 98 درصد در مقابل 93 درصد برتری داشتند. در مهرآرا و همکاران (2010) نویسندگان به بررسی و مقایسه MLP با الگوریتم پیش رو پس خور بازگشتی و GDMH با الگوریتم ژنتیک برای پیش بینی شاخص سهام تهران (TEPIX) پرداخته و نتایج حاصل از برتری GDMH با الگوریتم ژنتیک داشتند. یک مطالعه مقایسه ای در قاح (2007) برای شاخص صنعتی داوجونز انجام شد که در آن MLP، adaptive neuro-fuzzy و شبکه های عصبی پیش رو با یکدیگر مقایسه شدند. در این مطالعه، داده های ده ساله داوجونز به صورت میانگین مورد استفاده قرار گرفتند. آنها با مقایسه زمان حل، نرخ بیش برازش و همبستگی ها نشان دادند که که شبکه های عصبی معمولی نسبت به دو الگوریتم دیگر زمان زیادتری برای حل نیاز داشته و بیشتر دچار بیش برازش می شوند. لی و ژیونگ (2005) به پیش بینی شاخص شانگهای با استفاده از شبکه های عصبی فازی پرداختند. مجموعه داده های استفاده شده مربوط به بازه مارس 2004 تا مارس 2005 بوده و نتایج نشان دهنده برتری شبکه عصبی فازی نسبت به شبکه عصبی معمولی داشتند. مندژیک و جاروسویک (2007) با استفاده از neuro – evolutionary of NN with GA به پیش بینی بازار سهام آلمان (DAX) پرداخته و به عنوان ورودی از مقادیر DAX، بازار سهام توکیو (NIKKEI 225)، بازار سهام نیویورک (DJIA) و نرخ های مبادلاتی یورو / دلار و دلار / ین استفاده شدند. بازه تحقیق از آپریل 2004 تا آگوست 2004 بوده و نتایج نشان دهنده برتری neuro-evolutionary نسبت به مدل های رقیب خود داشتند. نائینی و همکاران (2010) به پیش بینی بازار سهام با استفاده از MLP، Elman recurrent NN و feed forward و رگرسیون خطی پرداختند. مجموعه داده های استفاده شده در این تحقیق از سال 2000 تا 2004 برای شاخص بورس تهران بوده و یافته ها، حاکی از برتری MLP NN و رگرسیون خطی داشتند. اما آنها به این نتیجه رسیدند که برای پیش بینی جهت تغییرات، استفاده از Elman recurrent NN و رگرسیون خطی مناسب تر می باشد. فنگ و همکاران (2006) به پیش بینی شاخص با استفاده از Elman recurrent NN به همراه ژنتیک پرداخت. تحقیق با استفاده از صف های قیمت های باز شدن و بسته شدن سهم shentiandi پرداخته و اعلام کردند که Elman قابلیت بسیار زیادی در تخمین جواب شدنی در پیش بینی بازار سهام دارد. یاماشایتا (2005) با پیشنهاد یک شبکه عصبی چند شعبه به پیش بینی بازار سهام توکیو پرداختند. آنها اعلام کردند که الگوریتم پیشنهادی دارای قابلیت بالاتری نسبت به شبکه عصبی معمولی در تخمین جواب های با دقت بالا می باشد. 2-6-3- کاربرد داده کاوی در بازار سهام لیاو و چاو (2013) با توضیح در مورد مزایای سرمایه گذاری در بازارهای بین المللی و تشکیل پرتفوی جهانی از سهام، به بررسی حرکت قیمت سهام در بازار مشترک سهام چین – تایوان ECFA به وسیله داده کاوی پرداخته و با استفاده از تکنیک های قواعد تلازمی و تکنیک های خوشه بندی به خوشه بندی و دسته بندی سهام موجود در بازار پرداختند و در انتها نیز به این نتیجه رسیدند که سهام الکترونیک، مالی و بیمه در بازار تایوان و سهام مسکن، ارتباطات و مالی در بازار هنگ کنگ دارای حرکت قوی و آینده داری در این بازار هستند. آنها برای این مطالعه از بیست شاخص سهام برای خوشه بندی و پیدا کردن قواعد تلازمی استفاده کردند. لیاو و همکاران (2011) با تأکید بر مزایای سرمایه گذاری در پرتفوهای بین المللی، بیان می کنند که با تمایل جاری نسبت به کار در بازارهای جهانی، اهمیت درک و پیش بینی نرخ مبادله ارز زیادتر می شود. آنها با بررسی رابطه میان نرخ مبادله ارز و شاخص های بازار بین المللی تایوان به وسیله قواعد تلازمی، به تولید قوانینی برای تولید پرتفوهای بهینه سرمایه گذاری در بازار تایوان با در نظر گرفتن نرخ مبادله ارز پرداخته و با استفاده از داده کاوی قوانینی را برای استفاده در روش تشکیل پرتفو مارکویتز تشریح کرده اند. چنج و کانگ (2014) در تحقیق جالبی سهام را از نظر سرماایه گذاران به دو دسته سهام ارزشمند و سهام در حال رشد، تقسیم کرده و با تعریف دو معیار ارزش دفتری به ارزش بازار و بازده سهام به ترتیب برای سهام ارزشمند و سهام در حال رشد، سهام موجود در بازار تایوان را در چهار دسته قرار دادند که عبارتند از : ارزشمند، با ارزش پایین، با رشد سریع و با رشد پایین. سپس با استفاده از تکنیک داده کاوی سری های زمانی به بررسی چگونگی رفتار سرمایه گذاران با این سهام ها کرده و الگوهایی یافتند. از جمله این الگوها نیز عبارتند از : سهام ارزشمند و با ارزش پایین با عکس العمل بیش از حد سرمایه گذاران، سهام با رشد بالا و با رشد پایین دارای عکس العمل معمولی همراه بوده و سهام ارزشمند به صورت فصلی دارای افت شدیدی هستند. با استفاده از یک دسته بندی کننده شرکتی، چین و چن (2010) به دسته بندی و پیش بینی قیمت از طریق حجم زیادی از داده های ورودی مثل داده های تحلیل تکنیکال و شاخص های بازار پرداخته اند. مشکلی که الگوریتم دسته بند شرکتی دارد این است که نمی تواند با داده های زیاد کار کند و لذا آنها با طراحی دسته بند مبتنی بر ژنتیک به پیش بینی سیگنال های خرید و فروش پرداختند. نتایج به دست آمده حاکی از توان بالای الگوریتم پیشنهادی و توانایی رقابت آن با بسیاری از متدهای دیگر دسته بندی مثل دسته بندهای آماری داشت. 2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام زکیک (1998) نشان داد که دقت شبکه های عصبی بیشتر در بازه 70-80 درصد تغییر می کند. این میزان به نسبت روشهای آماری 5-20 درصد به صورت میانگین، بهتر است. نویسنده در این مقاله به این نتیجه می رسد که در صورت به کارگیری سیستم های خبره در شبکه های عصبی، دقت شبکه های عصبی به صورت میانگین، از میزان ذکر شده نیز بالاتر می رود. وانستون، فینی و تن (2004) توضیح می دهند که شبکه های عصبی مصنوعی می توانند در تشخیص سهامی که به صورت بالقوه توانایی معناداری از لحاظ شاخص های فاندامنتالی برای رشد دارند؛ به کار روند. همچنین آنها نشان دادند که معماری شبکه های عصبی از الگوریتم های مشابه کلاسیک و هوش مصنوعی که از نورون ها استفاده نمی کنند، بهتر عمل می کنند. در این پژوهش، قواعدی جهت انجام معامله با حد آستانه 50 و بالاتر، توسط شبکه های عصبی پیدا شدند که توانایی رسیدن به 100 درصد اهداف را داشتند. از نتایج دیگر پژوهش، می توان به این اشاره کرد که محققان به این نتیجه رسیدند که با ادامه استفاده از شبکه های عصبی در طول زمان، قدرت پیش بینی این شبکه افزایش می یابد. آدیا و کلوپی (1998) با مطالعه و بررسی نوزده مقاله به این نتیجه رسیدند که شبکه های عصبی در پیش بینی سهام قدرت بالایی داشته و نسبت به تمام جایگزین های خود عملکرد بهتری را داشته اند. دشپنده، امراواتی و تاکاره (2010) کاربرد داده کاوی در حوزه های زیادی در مورد تصمیم گیری بررسی کرده و قدرت بالای داده کاوی در بهبود نتایج را تصدیق کرده اند. حوزه های بررسی شده عبارتند از : علوم پزشکی در خصوص تشخیص بیماری، حوزه های ورزشی در خصوص انتخاب بازیکن ها، استراتژی بازی ها، پیش بینی ورشکستگی مالی بانک ها، بهبود پیش بینی تقاضای محصولات، بهینه سازی طبقه بندی، انتخاب کالای مناسب، مقایسه طبقه بندی خرده فروشان و تولید کنندگان، پیش بینی برنامه های تولیدی کارخانجات، تصمیم گیری در مورد قواعد بله / خیر کارهای پیوسته، ایجاد نقشه های تجانسی برای سهام داران و سرمایه گذاران. نی (2008) بسیاری از متدهای شبکه های عصبی در داده کاوی را تشریح کرده است. نویسنده در این تحقیق به بررسی فرآیند داده کاوی بر پایه شبکه های عصبی پرداخته است. وی با تمرکز بر روی کاربردهای مختلف داده کاوی بر مبنای شبکه های عصبی، به توضیح دیدگاه ها و تکنیک هایی برای به کارگیری داده کاوی بر مبنای شبکه های عصبی می پردازد. وایس لا و باهات (2010) ثابت کردند که شبکه های عصبی نسبت به روشهای آماری در پیش بینی قیمت سهام عملکرد بهتری دارند. آنها آزمایشی بر مبنای طراحی متدی جهت پیش بینی قیمت روزانه سهام طراحی کرده و نتایج به دست آمده از شبکه های عصبی و متدهای آماری را مقایسه کردند. آنها ثابت کردند که در صورتی که شبکه عصبی به درستی آموزش ببیند، به درستی طراحی شود، ورودی ها و خروجی های مناسب را داشته باشند می توانند به خوبی قیمت را پیش بینی کنند. علاوه بر این برتری تکنیک معرفی شده توسط نویسندگان، با پیچیده شدن مدل نسبت به روش های آماری بیشتر هم شد و بنابراین شبکه های عصبی می توانند به عنوان یک جایگزین مناسب برای پیش بینی قیمت سهام به صورت روزانه به کار روند. آرکی و دی دی (2010) تلاش کردند تا با تجمیع قابلیت های شبکه های عصبی، به پیش بینی بازار سهام بپردازند. محققان، با اعتراف به اینکه پیش بینی شاخص قیمت های جهانی کاری مشکل است، در این مقاله با تکیه بر قابلیت های شبکه های عصبی به پیش بینی شاخص قیمت سهام می پردازند. آنها با بررسی مدلهای کلاسیک و نوین سری های زمانی به این نتیجه رسیدند که پیش بینی با این مدل ها دارای چالش های فراوانی بوده و شبکه های عصبی برای این کار مناسب تر است. شبکه های عصبی این قابلیت را دارند که داده های مفید را از میان حجم بالای داده ها استخراج کنند. پژوهشگران در این تحقیق، با بررسی ادبیات انجام شده در زمینه کاربرد شبکه های عصبی در پیش بینی قیمت سهام، به این نتیجه رسیدند که شبکه های عصبی برای پیش بینی قیمت سهام بسیار مفید هستند. رازی و اتاپیلی (2005) اثبات کردند که شبکه های عصبی و دسته بندی و رگرسیون به وسیله درخت تصمیم(cart)، پیش بینی های بهتری از رگرسیون غیر خطی انجام می دهند. آنها همچنین به این نتیجه رسیدند که شبکه های عصبی و الگوریتم های دسته بندی و رگرسیون درخت تصمیم، در زمینه کار با متغیرهای باینری و اسمی و همچنین متغیرهای پیوسته قابلیت های بهتری نسبت به رگرسیون دارند. در هر حال، نتایج این تحقیق حاکی از برتری هیچ یک از شبکه های عصبی و مدل های رگرسیون و دسته بندی درخت تصمیم نمی باشد. لو (2010) از طریق نتایج عملی اثبات کرد که آنالیز اجزاء مستقل یکپارچه (ica) بر مبنای نقشه فیلترینگ اغتشاش های موجود در میان داده ها به همراه شبکه های عصبی جهت پیش بینی قیمت، عملکرد بهتری نسبت به فیلترینگ بر اساس امواج الیوت به همراه شبکه های عصبی، شبکه های عصبی به تنهایی و مدل قدم زدن تصادفی دارد. بر مبنای نتایج به دست آمده، نویسنده نتیجه می گیرد که متد پیشنهادی می تواند برای شناسایی و از بین بردن اغتشاشات موجود در قیمت سهام و بهبود کارایی شبکه های عصبی کارایی مناسبی داشته باشد. رای و رای (2011) از طریق مقایسه، کشف کردند که مسئله پیش بینی شاخص سهام یکی از بزرگترین و مهمترنی چالش ها به عنوان هدفی برای بسیاری از متدها در حوزه مالی و اقتصاد است. در مقاله آنها، انواع مختلف شبکه های عصبی برای پیش بینی قیمت سهام با هم مقایسه شده اند. از جمله این متدها می توان به شبکه های عصبی مبتنی بر arima، شبکه های عصبی مبتنی بر الگوریتم ژنتیک و شبکه های عصبی چند شاخه ای اشاره کرد. نویسندگان همچنین به مقایسه عملکرد این معماری ها با یکدیگر پرداخته اند. فهرست مراجع Adya, M., Collopy, F., 1998. How effective are Neural Networks at Forecasting and Prediction? A Review and Evaluation. Journal of Forecasting, J. Forecast, 1(7), pp. 481 – 495. Altay, E., Satman M. H., 2005. Stock market forecasting: artificial neural network and linear regression comparison in an emerging market. Journal of financial management and papers. Available from:http://papers.ssrn.com/sol3/DisplayAbstractSearch.cfm Armano, G., Marchesi, M., Murru, A., 2005. A hybrid genetic-neural architecture for stock indexes forecasting. Journal of Information Sciences Elsevier, 3(4), pp. 54-61. Bisoi, R., Dash, P. K., 2014. A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter. Journal of Applied Soft Computing, 3(19), pp. 41-56 Bruce, J., stone, V., Finnie, G., Tan, C., 2004. Applying Fundamental Analysis and Neural Networks in the Australian Stockmarket Bond University. ePublications@bond, Available from http://bond.edu.au/library-and-online-resources/search/bond-university-research Cao, J., Liang, J., 2004, Boundedness and stability for Cohen–Grossbergneural network with time-varying delays. Journal of Mathematical Analysis and Applications Elsevier, 2(5), pp. 78-84. Cao, J., Wang, J., 2005. Global asymptotic and robust stability of recurrent neural networks with time delays. Circuits and Systems I: Regular Papers. Available from http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=13 Chang, C., Yon, W., Chen, Y. L., 2010. Mining associative classification rules with stock trading data – A GA-based method. Available from Knowledge-Based Systems, Volume 23(6), pp. 605-614 Chann, C. P., Wang, D. D., Zhou, CH. L., 2012. A novel model by evolving partially connected neural network for stock price trend forecasting. Journal of Expert Systems with Applications, 39(1), pp. 611-620. Charkha, P. R., 2008. Stock Price Prediction and Trend Prediction Using Neural Networks. Journal of First International Conference on Emerging Trends in Engineering and Technology, 3(7), pp. 592-594. Chi-Jie, L., 2010. Integrating independent component analysis-based denoising scheme with neural network for stock price prediction. Journal of Expert Systems with Applications, 37(10), pp. 7056-7064. Connor, N. O. M. G., 2006. A neural network approach to predicting stock exchange movements using external factors. Journal of Knowledge-Based Systems Elsevier, 3(8), pp. 87-94 Coupelon, O., 2007. Neural network modeling for stock movement prediction: a state of the art, Neural Network Modeling For stockresearch. Available from http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6719576 Dase, R. K., Pawar, D. D., 2010. Application of Artificial Neural Network for stock market predictions: A review of literature. International Journal of Machine Intelligence, ISSN: 0975–2927, 2(2), pp. 14-17 Deshpande, S. P., Thakare, V. M., 2010, DATA MINING SYSTEM AND APPLICATIONS: A REVIEW. International Journal of Distributed and Parallel systems (IJDPS), 1(1), pp. 145-151 Donaldson, R. G., Kamstra, M., 1997. An artificial neural network- GARCH model for international stock return volatility. Journal of Empirical Finance, 4(1), pp. 17-46 Donaldson, R. G., Kamstra, M., 1996. Forecast combining with neural networks. Journal of Forecasting, 3(5), pp. 45-51 Dutta, G., Jha, P., Laha, A. K., Mohan, N., 2006. Artificial neural network models for forecasting stock price index in the Bombaystock exchange. Journal of Emerging Market, 4(2), pp. 23-30 Fagner A., Oliveira, D., Nobre, C. N., Zárate, L. E., 2013. Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4. Journal of Petrobras, Brazil, Expert Systems with Applications, 40(18), pp. 7596-7606 Fang, Y. X., Wang, B. W., Wang, Y. M., 2006. The stock index forecast based on dynamic recurrent neural network trained with GA. The 20th Pacific Asia Conference on Language, Information and Computation, Wuhan, China, pp. 342-350 Faseruk, A., Blynski, L., 2006. Comparison of the effectiveness of option price forecasting: Black-Scholes vs. simple and hybrid neural networks. Journal of Financial Management, 2(5), pp. 23-31 Feng, L., Cheng, L., 2009. Application Study of BP Neural Network on Stock Market Prediction. Ninth International Conference on Hybrid Intelligent Systems, pp. 174-178 Fishbein, D. S., 2002. Neural Networks and Genetic Algorithms: Another Tools for the Technical Analysis of Financial Markets. Trenton Computer Festival Proceedings. Available from:http://www.nquant.com Guresen, E., Kayakutlu, G., Daim, T. U., 2011. Using artificial neural network models in stock market index prediction. Journal of Expert Systems with Applications Elsevier, 3(2), pp 124-129 Huang, N. E., Shen, Z., Long, S. R., 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Journal of the Royal rspa.royalsocietypublishing, 5(1), pp. 142-149 Jasemi, M., Kimiagari, A. M., Memariani, A., 2011. A modern neural network model to do stock market timing on the basis of the ancient investment technique of Japanese Candlestick. Journal of Expert Systems with Applications, 38(4), pp. 3884-3890. Jasic, T., Wood, D., 2004. The profitability of daily stock market indices trades based on neural network predictions: Case study for the S&P 500, the DAX, the TOPIX and the FTSE in the period. Journal of Applied Financial Economics, Taylor & Francis, 5(7), pp. 55-62 Jie Lu, CH., 2010. Integrating independent component analysis-based denoising scheme with neural network for stock price prediction. Expert Systems with Applications, 37(10), pp. 7056-7064 Kara, Y., Boyacioglu, M. A., Baykan, O. K., 2011. Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Journal of Expert Systems with Applications, 38(5), pp. 5311-5319 Khan, A. U., Bandopadhyaya, T. K., Sharma, S., 2008. Genetic Algorithm Based Backpropagation Neural Network Performs better than Backpropagation Neural Network in Stock Rates Prediction. International Journal of Computer Science and Network Security, 8(7), pp. 54-61 Khan, J., Wei, J. S., Ringner, M., Saal, L. H., 2001. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks. Nature medicine. Available from: http://www.nature.com/siteindex/index.html Kim, B. S., 2005. Nonlinear flight control using neural networks. Journal of Guidance, Control, and Dynamics, 4(24), pp. 113.122 Kim, K., Lee, W. B., 2004, Stock market prediction using artificial neural networks with optimal feature transformation, Journal of Neural computing & applications Springer, 3(4), pp. 54-61 Kryzanowski, L., Galler, M., Wright, D. W., 1993. Using artificial neural networks to pick stocks. Journal of Financial Analysts Journal JSTOR, 6(4), pp. 45-54 Lahmiri, S., 2013. Wavelet low- and high-frequency components as features for predicting stock prices with backpropagation neural networks. Journal of King Saud University - Computer and Information Sciences, 14(7), pp. 65-72 Li, R. J., Xiong, Z. B., 2005. Forecasting stock market with fuzzy neural networks. Proceedings of 2005 International Conference on Machine Learning and Cybernetics, pp. 3475-3479. Liao, SH. H., Chou, SH. Y., 2013. Data mining investigation of co-movements on the Taiwan and China stock markets for future investment portfolio. Expert Systems with Applications 40(5), pp. 1542-1554 Liao, SH. L., Chu, P. H., You, Y. L., 2011. Mining the co-movement between foreign exchange rates and category stock indexes in the Taiwan financial capital market. Expert Systems with Applications, 38(4), pp. 324-331 Mandziuk, J., Jaruszewicz, M., 2007. Neuro-evolutionary approach to stock market prediction. International Joint Conference on Neural Networks, pp. 2515-2520. Mantri, J. K., Gahan, P., Nayak, B. B., 2010. Artificial Neural Networks an Application to Stock Market Volatility. International Journal of Engineering Science and Technology, 2(5), pp. 1451-1460 Mehrara, M., Moeini, A., Ahrari, M., Ghafari, A., 2010. Using Technical Analysis with Neural Network for Prediction Stock Price Index in Tehran Stock Exchange. Middle Eastern Finance and Economics, vol. 6(6), pp. 50-61 Salim, L. 2013. Wavelet low- and high-frequency components as features for predicting stock prices with Backpropagation neural networks. Journal of King Saud University - Computer and Information Sciences, 4(1), pp. 214-223   Pei, C., Wang, D., Chang, L. 2012. A novel model by evolving partially connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), pp. 611-620 Shu-Hsian, L., Shan-Yuan, C. 2013. Data mining investigation of co-movements on the Taiwan and China stock markets for future investment portfolio, Expert Systems with Applications, 40(5), pp. 1542-1554 Shu-shine. L., Pei-hoi, C., Ying-lu, Y., Mining the co-movement between foreign exchange rates and category stock indexes in the Taiwan financial capital market. Expert Systems with Applications, 38(4), pp. 127.136  O'Connor, N., Madden, M. 2006, A neural network approach to predicting stock exchange movements using external factors. Knowledge-Based Systems Elsevier, 5(21), pp.345-356 Yamashita, K. 2005. Application of multi-branch neural networks to stock market prediction, Journal of Neural Networks and data series, 45(4), pp.57-65 Yoon, Y., Swales, T. 1993. A comparison of discriminant analysis versus artificial neural networks, TM Margaric - Journal of the Operational Research – JSTOR, 27(3), pp.194-206