داده کاوي یا به تعبیر دیگر کشف دانش در پایگاه داده ها، استخراج غیر بدیهی اطلاعات بالقوه مفید از روي داده هایی است که قبلا،ً ناشناخته مانده اند. این مطلب برخی از روش‌هاي فنی مانند خوشه بندي، خلاصه سازي داده ها، فراگیري قاعده هاي رده بندي، یافتن ارتباط شبکه‌ها، تحلیل تغییرات و کشف بی قاعدگی را شامل می‌شودنی  (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.

 

 

 

 

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.

 

 

 

 

 

 

 

فهرست مطالب
 

 


فصل دوم : ادبیات تحقیق    18
2-1- مقدمه    19
2-1-1- تحلیل تکنیکی    21
2-1-2- تحلیل بنیادین    21
2-1-3- تحلیل توسط مدل‌های علمی    22
2-2- آیا بازار سرمایه پیش بینی پذیر است؟    26
2-2-1- نظریه کارایی بازار سرمایه    26
2-2-2- فروض نظریه کارایی بازار    33
2-2-3- انتقادات وارد شده به نظریه کارایی بازار سرمایه    35
2-2-4- پاسخ نظریه کارا    36
2-2-5- نتیجه گیری    37
2-3- داده کاوی    39
2-3-1- مقدمه    39
2-3-2- مفهوم داده کاوي    41
2-3-4- اهداف داده کاوی    43
2-3-5- داده کاوي و رابطه آن با علم آمار    49
2-4- شبکه عصبی    51
2-4-1- معرفی:    51
2-4-2- کاربرد شبکه های عصبی    52
2-4-3- تعریف پایه شبکه های عصبی    52
2-4-4- ویژگی های شبکه عصبی    55
2-5- تحلیل تکنیکال    68
2-5-1- مقدمه:    68
2-5-2- اندیکاتورهای تحلیل تکنیکال    70
2-6- مرور پژوهش های مشابه    73

2-6-1- کاربرد شبکه عصبی در پیش بینی قیمت سهام    73

2-6-2- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام    81

2-6-3- کاربرد داده کاوی در بازار سهام    88

2-6-4- کاربرد شبکه عصبی و داده کاوی در پیش بینی قیمت سهام    90

 

منابع

 


فهرست شکل ها
شکل 1-1 : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه    21
شكل2-2 : ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي    45
شكل2-3 : ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي مي باشند.    45
شکل 2-4 : مدل یک نرون خطی و غیرخطی(خطی یا غیر خطی بودن به نوع تابع فعال ساز بستگی دارد)    47
شکل2-5 : نحوه عملکرد بایاس در خروجی ترکیب کننده خطی    48
شکل 2-6 : توابع فعالسازی(الف) حدآستانه، (ب) خطی تکه‌ای، (ج) سیگموئید تک قطبی، (د)گوسین، (ه) خطی (و) سیگموئید دوقطبی    50
شکل 2-7 : شبکه پیشرو با یک لایه فعال (خروجی)    51
شکل 2-8 : شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی    52
شکل 2-9 : شبکه عصبی بازگشتی بدون حلقه خودپسخور و نرون‌های میانی    53
شکل 2-10 : شبکه بازگشتی با نرونهای مخفیبا حجم حافظه بالاتر    54
شکل 2-11 : یک شبکه عصبی با سه نرون و دولایه فعال    56