پیش بینی زمان بندی انجام معاملات در بورس اوراق بهادار تهران

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 419

This Paper With 38 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_KJDC-5-2_003

تاریخ نمایه سازی: 6 مرداد 1399

Abstract:

هدف: به دلیل پیچیدگی بازار بورس اوراق بهادار تهران، مسئله زمان بندی انجام معاملات بسیارحائز اهمیت است. زمان بندی انجام معاملات، تحلیل گران و معامله گران را در راستای پیش بینی روند حرکت قیمت سهام یاری می نمایند. از این رو هدف از پژوهش حاضر پیش بینی زمان بندی انجام معاملات سهام شرکت های فعال در بورس اوراق بهادار تهران است. روش: جامعه آماری پژوهش شامل کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1392 تا 1395 است. حجم نمونه با استفاده روش حذف نظام مند بالغ بر 17 شرکت فعال در بورس انتخاب شد. روش اجرای پژوهش مبتنی بر رگرسیون گام به گام و شبکه عصبی فازی با تکیه بر شاخص های قدرت نسبی (RSI)، میانگین متحرک همگراواگرا (MACD)، میانگین متحرک ساده (SMA)، نوسان گر تصادفی (SO)، میانگین متحرک نمایی (EMA) و خط سیگنال (SL) است. یافته ها: یافته های نتایج نشان داد که میانگین درصد صحت پیش بینی کلیه شبکه های ایجاد شده (55/96%) بیشتر از حالت تصادفی(50%) است. با اعمال مقررات معاملاتی مقادیر پیش بینی شده به سیگنال تبدیل شدند و پیشنهاد داده شد که سیگنال نهایی سیستم طراحی شده از مجموع سیگنال های ایجاد شده توسط 5 شاخص تکنیکال مذکور بدست آید. در مرحله بعد جهت سنجش بازده معاملات پیشنهادی، مدل ارائه شده با استفاده از استراتژی معاملاتی پیشنهادی پژوهش یک معامله فرضی شبیه سازی گردید. سپس بازده معاملات صورت گرفته بر اساس سیگنال نهایی سیستم پیشنهادی با بازده روش های تکنیکال و روش های خرید و نگهداری (در دوحالت پیش از کسر هزینه های معاملاتی و پس از کسر هزینه های معاملاتی) مقایسه شدند. نتیجه گیری: با توجه به بازدهی مثبت شاخص های SMA، EMA، SO و روش پیشنهادی می توان نتیجه گرفت که با استفاده از شاخص های تحلیل تکنیکال در بازار سهام ایران روند قیمت سهام را پیش بینی نمود. از این میان، روش میانگین متحرک ساده از بالاترین اعتبار برای پیش بینی روند قیمت سهام برخوردار است. در نتیجه بازار بورس تهران پتانسیل بکارگیری شاخص های مختلف تحلیل تکنیکی را دارا است.

Keywords:

زمان بندی انجام معاملات , پیش بینی , تحلیل تکنیکال , شبکه عصبی فازی , بورس اوراق بهادار تهران

Authors

وحید بخردی نسب

دکتری گروه حسابداری، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.

فاطمه ژولانژاد

دانشجوی دکتری گروه حسابداری، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • الوانی، مهدی. (1388). مدیریت عمومی. تهران: انتشارات نشر نی. ...
  • بررسی عوامل موثر بر بازده سهام با تاکید بر عوامل اقتصاد کلان و عوامل حسابداری با درنظر گرفتن تحریم های اقتصادی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران [مقاله ژورنالی]
  • تهرانی، رضا؛ عباسیون، وحید. (1387). کاربرد شبکه های عصبی مصنوعی ...
  • حامدیان، مهدی. (1379). بررسی عوامل موثر بر قیمت سهام و ...
  • حنیفی، فرهاد؛ بحرالعلوم، محمد مهدی؛ جوادی، بابک. (1388). طراحی و ...
  • خاتمی، حمید رضا. (1387).  مبانی مدل سازی فازی جلد اول: ...
  • دلبری، مهدی. (1380). بررسی معیارهای موثر بر انتخاب سهام در ...
  • رعیتی شوازی، علیرضا. (1385). پیش بینی قیمت سهام با استفاده ...
  • صدرایی، محمد؛ میدانی، فرزاد. (1390). مقررات اصول بازار سرمایه، تهران: ...
  • طلوعی اشلقی عباس، حق دوست شادی. (1388). مدل سازی پیش ...
  • فلاح شمس، میرفیض؛ دلنواز اصغری، بیتا. (1388). پیش بینی شاخص ...
  • منصورفر، کریم. (1385). روش های پیشرفته آماری. تهران: انتشارات دانشگاه ...
  • Alvani, M. (2009). Public management. Tehran: Ney publishing [In Persian]. ...
  • Bekhradi Nasab, V., Ghasemi, S. (2016). Investigating the factors affecting ...
  • Delbari, M. (1380). Investigating the criteria affecting stock selection in ...
  • Fallah Shams, M., Delnavaz Asghari, B. (2009). Prediction of Tehran ...
  • Hamedian, M. (2000). Investigating the factors affecting stock prices and ...
  • Hanifi, F., Bahrololoom, M.M., Javadi, B. (2009). Comparative design and ...
  • Khatami, H.R., (2008). Fundamentals of fuzzy modeling volume one: Fuzzy ...
  • Kuo, J., Chen, C., Hwang, Y.C. (2001). An intelligent stock ...
  • Lin, C., Alikhan, H. (2008). Can the neuron fuzzy model ...
  • Mansourfar, K. (2009). Advanced statistical methods. Tehran: Tehran University Press ...
  • Mayers, L.S., Gamst, G., Guarino, A.J. (2006). Applied multivariate research: ...
  • Rayti Shavazi, A. (2006). Predicting stock prices using fuzzy neural ...
  • Sadraei, M., Maidani, F. (2011). Capital market principles regulations. Tehran: ...
  • Tan, A., Quek, C., Yow, K.C. (2008). Maximizing winning trades ...
  • Tehrani, R; Abbasian, V. (2008). Application of artificial neural networks ...
  • Tolouei Eshlaghi, A, Haq Doost, S. (2009). Modeling stock price ...
  • نمایش کامل مراجع