موانع موجود در تعيين قيمت سهام به روش شبكه عصبي مصنوعي

The Extant Preventives in Determining Price of Shaves by Using Artificial Neural Network(In Metal and Mineral Industries)

هدف اين پژوهش بررسي موانع موجود در تعيين قيمت سهام به روش شبكه عصبي مصنوعي در شركت هاي صنايع فلزي و كاني پذيرفته شده در بورس اوراق بهادار تهران مي باشد. در اين پژوهش از دو روش تحليل آماري و شبكه عصبي استفاده شده است. در روش تحليل آماري پرسشنامهاي تدوين گرديد كه بين كارشناسان ارشد بورس اوراق بهادار و اساتيد دانشگاه آزاد واحدهاي شهر تهران كه به مفاهيم شبكه عصبي و پيشبيني قيمت سهام آشنايي كامل دارند، توزيع شد و با استفاده از آزمون t و كاي اسكور به بررسي فرضيات پژوهش پرداخته و در نهايت تمام فرضيه ها مورد تاييد قرار گرفت. مجددا فرضيات پژوهش با استفاده از روش شبكه عصبي پس انتشار خطا و با استفاده از مدل آموزش لورنبرگ – ماركوات مورد بررسي قرار گرفت و مشخص گرديد در حالتي كه شاخصها به عنوان ورودي وارد شبكه مي گردند پيش بيني قيمت سهام نسبت به حالتي كه شاخص ها به عنوان ورودي وارد شبكه نمي گردند، از دقت كافي برخوردار نيست و در عين حال خطاي شبكه هم افزايش مي يابد. در نهايت نتايج شبكه عصبي با نتايج تحليل آماري مطابقت دارد به عبارتي در هر دو روش، شاخص ها به عنوان موانعي در پيش بيني قيمت سهام به روش شبكه عصبي تعيين گرديده است.

This study aims to investigate the extant preventives in determining price of shaves by using artificial nerve network in metal and mineral industries companies accepted in Tehran Securities Exchange. We applied two statistical analysis and nerve network methods for examination of hypnotizes. A questionnaire was created for statistical analysis method and statistical society including senior experts of securities exchange course and instructors from Tehran Azad University, who are familiar with the concepts of nerve network and also forecasting shares prices. The research hypnotizes were dealt with use of t test and score, ultimately all hypnotizes were approved. In the nerve network, the assumptions of research were studied by the use of nerve network and after the distribution of the error and Market-Loren berg educational model and it was determined that while all the indexes were entered into the network as input, the for forecasts of prices do not enter into the network as precisely as the indexes do enter. Also, the rate of network error was increasing. The results of nerve network corresponded with the results of statistical analysis. In other words, in both methods, the indexes have been marked as obstacles for forecasting the shares prices by the use of nerve network method.