توصيفگر ها :
پيشبيني , پيشبيني قيمت , محيط مالي , شبكه عصبي پرسپترون چندلايه , جهت محور , سوددهي , مدلسازي
چكيده فارسي :
پيشبيني بازارهاي مالي و سهام براي سرمايهگذاران، ذينفعان، محققان و دولتها از اهميت بالايي برخوردار است، زيرا به جذب و هدايت نقدينگي به مسيرهاي بهينه و تخصيص منابع مالي كمياب كمك ميكند. با توجه به نوسانات و پيشبينيناپذيري ذاتي بازار سهام، اين محيط پرريسك ميتواند با تغييرات سريع قيمتها تحت تأثير عوامل اقتصادي، سياسي و اجتماعي، منجر به سود يا زيان سرمايهگذاران شود. بنابراين، توانايي پيشبيني حركات بازار به كاهش ريسك سرمايهگذاري و اتخاذ تصميمات راهبردي كمك ميكند. در اين تحقيق، يك رويكرد نوآورانه مبتني بر يادگيري جهتمحور و خطاي فاصلهاي براي پيشبيني بازارهاي مالي معرفي شده است. اين رويكرد نه تنها اختلاف كمي مقدار واقعي از مقدار پيشبيني را كاهش ميدهد، بلكه جهت حركتي قيمت و ارزش مالي معاملات را نيز در نظر ميگيرد. در مدل پيشنهادي، تابع هدف با اضافه كردن وزنهايي به معاملات با ارزش بالاتر اصلاح شده تا پيشبينيها با دقت بيشتري در جهتهاي سودده انجام شود. هدف اصلي اين پاياننامه، بهبود دقت پيشبينيها و كارايي تصميمات مالي با استفاده از يك رويكرد نوين در حوزه مالي است. براي پيادهسازي اين الگوريتم، از مدل پرسپترون چندلايه استفاده شده است كه قابليت تطابق با دادههاي مالي پيچيده را دارد. پس از مدلسازي، عملكرد مدل پيشنهادي بر روي دادههاي واقعي ارزيابي شده و تحليل دقيقي از كاربرد و كارايي آن صورت گرفته است. اين روش ميتواند به بهبود دقت پيشبينيها و كاهش ريسكهاي ناشي از عدم اطمينان در بازارهاي مالي كمك كند. استفاده از شبكه عصبي پيشنهادي در تحليل مجموعه دادههاي مالي نشان ميدهد كه درصد بازگشت سرمايه در تصميمات اتخاذ شده بر اساس اين روش پيشنهادي به طور معناداري نسبت به دو مدل ديگر، يعني رگرسيون چندمتغيره و شبكه عصبي پرسپترون چندلايه كلاسيك، برتري دارد. به طور ميانگين، نرخ بازگشت سرمايه مدل پيشنهادي برابر با 88/1درصد است، در حالي كه اين نرخ براي مدل رگرسيون چندمتغيره 69/1 درصد و براي شبكه عصبي پرسپترون چندلايه كلاسيك 77/1 درصد ميباشد. اين نتايج نشاندهنده كارايي مناسب شبكه عصبي پيشنهادي در مقايسه با روشهاي مرسوم است. در نتيجه، به كارگيري اين مدل ميتواند به عنوان يك راهكار موثر در حوزه تحليل مالي و سرمايهگذاري مورد توجه قرار گيرد.
چكيده انگليسي :
Financial and stock market forecasting is of significant importance for investors, stakeholders, researchers, and governments, as it aids in directing liquidity toward optimal channels and allocating scarce financial resources. Given the inherent volatility and unpredictability of the stock market, this high-risk environment, influenced by rapid price fluctuations driven by economic, political, and social factors, can lead to gains or losses for investors. Consequently, the ability to forecast market movements assists in reducing investment risk and making strategic decisions. In this study, an innovative approach based on directional learning and distance-error minimization is introduced for financial market forecasting. This approach not only reduces the quantitative discrepancy between actual and predicted values but also considers the directional movement of prices and the financial value of trades. In the proposed model, the objective function is adjusted by assigning weights to higher-value trades, aiming to improve prediction accuracy in profitable directions. The main goal of this thesis is to enhance the accuracy of predictions and the efficiency of financial decisions by applying a novel approach in finance. A multilayer perceptron model has been utilized to implement this algorithm, as it is adaptable to complex financial data. After modeling, the performance of the proposed model was evaluated using real data, with a detailed analysis conducted on its application and effectiveness. This method can improve prediction accuracy and reduce uncertainties and risks in financial markets. The application of the proposed neural network in analyzing financial datasets shows that the rate of return on investment based on this approach significantly surpasses that of two other models, namely, multivariate regression and the classic multilayer perceptron neural network. On average, the rate of return on investment with the proposed model is 1.88%, compared to 1.69% for the multivariate regression model and 1.77% for the classic multilayer perceptron neural network. These results indicate the superior performance of the proposed neural network over conventional methods. Consequently, the application of this model can be considered an effective solution in the field of financial analysis and investment.