در تکنیک استخراج قانون از شبکه های عصبی با الگوریتم ژنتیک، از الگوریتم های مبتنی بر آموزش و منتخبان، بیشتر استفاده می شود.
۱-۶-۴: روش ترکیبی تبدیل موجک- شبکه عصبی و ARIMA
۱-۶-۴-۱: تبدیل فوریه
همه جا در اطراف ما سیگنالهایی وجود دارند که باید تحلیل شوند. لرزشهای زلزله، صحبت انسانها، نوسان موتورها، تصاویر پزشکی، داده های مالی، موزیک و بسیاری از انواع دیگر از سیگنالهایی هستند که باید به شکل مناسبی کدگذاری شوند، فشرده شوند، نویزهایشان تصفیه شوند، بازسازی شوند، بیان شوند، ساده شوند، متمایز شوند و یا محل یابی شوند. تحلیل موجک[۳۱] یک ابزار جدید و تکنیک مناسب برای این کارها میباشد.
تحلیل سیگنال هم اکنون مهمترین دوره مصرف خود را میگذراند و شاید یکی از شناختهشدهترین روش های تحلیل سیگنال تبدیل فوریه باشد. تبدیل فوریه یک سیگنال را به شکل موجهای سینوسی تشکیلدهندهاش در فرکانسهای مختلف تجزیه میکند. نوعی دیگر نگرش به تبدیل فوریه این است که تبدیل فوریه را یک تکنیک ریاضی برای انتقال دید یا نگاه به سیگنال از حوزه زمان به حوزه فرکانس در نظر گرفت.
شکل ۱-۱: نمایش تبدیل فوریه
تحلیل فوریه دارای یک کاستی جدی میباشد. در انتقال یک سیگنال از حوزه زمان به حوزه فرکانس، اطلاعات حوزه زمان سیگنال از دست میرود. هنگام نگاه کردن به تبدیل فوریه یک سیگنال غیرممکن است که بتوان گفت درچه زمانی حوادث در سیگنال اتفاق افتاده است. این مسئله در یک سیگنال ایستا[۳۲]مهم نیست (سیگنال ایستا به سیگنالی گفته میشود که در طی زمان تغییر زیادی نکند)، اما بسیاری از سیگنالهای مهم و موردتوجه شامل تعداد نامتناهی از سیگنالهای غیرایستا یا گذرا میباشد مانند پیشامدها، تغییرات ناگهانی، ابتدا و انتهای زمان رخ دادن حوادث و … . این مشخصه ها اغلب مهمترین قسمت سیگنال میباشند. اما متأسفانه تحلیل فوریه برای تشخیص آن ها مناسب نیست.
۱-۶-۴-۲: تبدیل موجک
تحلیل موجک قادر به نمایش سیگنال به وسیله یک تکنیک پنجرهبندی نواحی با سایزهای مختلف میباشد. تحلیل موجک امکان استفاده از پنجرههای زمانی بزرگ را در هنگام نیاز به اطلاعات دقیق در فرکانسهای پایین و پنجرههای زمانی کوچکتر هنگامی که نیاز به اطلاعات فرکانس بالا است را مقدور میسازد. تحلیل موجک قابلیت آشکارسازی مفاهیم مختلف داده ها را دارد که تکنیکهای دیگر تحلیل سیگنال آن ها را از دست میدهند. مفاهیمی از قبیل تمایل، نقاط شکست، نشانه، نقاط انفصال و منشاء آن ها و … را میتوان با تحلیل موجک آشکارسازی نمود و این موضوع به دلیل نگاه متفاوت این روش به داده ها نسبت به روش های قبلی میباشد. تحلیل موجک همچنین قادر به فشرده سازی و نویززدایی سیگنال بدون اینکه افت محسوسی در کیفیت سیگنال ایجاد کند میباشد.
آنالیز موجک قادر به تجزیهی سریهای زمانی، در مقیاسهای زمانی مختلف میباشد (این و همکاران[۳۳]، ۲۰۰۸)؛ به طوری که با تحلیلهای فرکانس زمانی، کاربردهای فراوانی را در مدلسازی سریهای زمانی اقتصادی و مالی فراهم آورده (جنسای و همکاران[۳۴]، ۲۰۰۲) و به صورت گسترده در سریهای زمانی غیر ایستا به کار بسته شده است (ناسون و ون ساچس[۳۵]، ۱۹۹۹). در آنالیز موجک، سیگنال به صورت ترکیب خطی از توابع موجک نشان داده می شود (سفتر و همکاران[۳۶]، ۲۰۰۷، ۲۰۰۸)، به طوری که. بر اساس طول داده ها، دو موج اصلی موجک ها وجود دارد: اولین موج، تبدیل موجک پیوسته ([۳۷]CWT)، که برای کار با سریهای زمانی تعریف شده بر روی محور حقیقی کامل طراحی شده است؛ موجک دوم، تبدیل موجک گسسته ([۳۸]DWT) میباشد که در جداسازی سری داده در اجزاء فرکانس متفاوت، به منظور آزمایش عمق سری داده مطالعه می شود (کونلون و همکاران[۳۹]، ۲۰۰۸). مراحل فیلتر کردن یک سیگنال در موجک ها به صورت شکل زیر میباشد:
شکل ۱-۲: مفهوم فیلتر شدن سیگنال توسط موجکها
سیگنال اصلی S از دو فیلتر مکمل میگذرد و دو سیگنال از فیلترها خارج میشود. متأسفانه اگر این مراحل بر روی یک سیگنال حقیقی دیجیتال انجام شود با دوبرابر تعداد دادهای که با آن آغاز کردیم مواجه خواهیم شد. فرض کنید سیگنال اصلی S شامل ۱۰۰۰ نمونه داده باشد. آنگاه مقادیر تقریبی و جزئی هرکدام شامل ۱۰۰۰ نمونه خواهد بود و مقدار کلی نمونه ها ۲۰۰۰ عدد خواهد شد.
برای تصحیح این مسئله مفهوم نمونهبرداری با نرخ پایین[۴۰] معرفی میشود شکل زیر این موضوع را نشان میدهد.
شکل ۱-۳: مفهوم نمونه برداری با نرخ پایین
در این تحقیق سری زمانی شاخص قیمت سهام با بهره گرفتن از موجک دبوچی تا سه مرحله تجزیه شد به طوری که سری هموار شده ازسری توابع جزئیات جدا شد و سپس بر اساس روش ARIMA سری اصلی و سری توابع جزئیات با بهره گرفتن از شبکه عصبی پیشبینی شد.
۱-۷: ابعاد کلی تحقیق
۱-۷-۱: روش تحقیق
تحقیق از نظر هدف (از نظر دلیل انجام): توصیفی- تحلیلی
فرایند، روش جمع آوری و تحلیل داده ها: کمی
منطق استنتاج: استقرایی
تحقیق از نظر هدف(نتایج) : کاربردی
روش و ابزار گرآوری اطلاعات (جمع آوری داده ها): میدانی
روش و ابزار گرآوری اطلاعات (درمورد ادبیات تحقیق): کتابخانه ای
از آنجایی که در این تحقیق امکان دستکاری متغیرهای مستقل جهت مشاهده اثرات این تغییرات در متغیر وابسته برای محقق وجود ندارد، این نوع تحقیقات را میتوان در طبقه تحقیقات نیمه تجربی یا شبه تجربی قرار داد.
۱-۷-۲: جامعه و نمونه آماری تحقیق
سری زمانی داده های روزانه شاخص قیمت بورس اوراق بهادار تهران از سال ۱۳۸۴ لغایت ۱۳۸۹ به عنوان جامعه آماری تحقیق انتخاب گردیده است. داده های مذبور از سایت سازمان بورس و اوراق بهادار تهران استخراج گردیده است. همچنین متغیرهای مستقل استفاده در تحقیق که با توجه به مطالعات صورت گرفته در این زمینه به شرح زیر انتخاب گردید:
قیمت جهانی طلا (GP)، میانگین قیمت نفت ایران (OP)، نرخ دولتی دلار آمریکا (USD) و شاخص S&P500 بورس آمریکا به عنوان نماد بورس جهانی برای دوره مورد مطالعه انتخاب گردید.
۱-۷-۳: جنبه نوآوری تحقیق
تحقیقی با چنین محتوا و عنوانی تا به حال در ایران به انجام نرسیده است.
این تحقیق کمک می کند تا دریچه جدیدی از اطلاعات مورد نیاز، جهت رسیدن به اهداف اقتصادی که همان تخصیص بهینه منابع است، باز شود، تا عوامل درگیر و تصمیم گیران حول این مقوله با به کارگیری تکنیکهای کارا و مناسب و ترکیب دو تکنیک خطی و غیر خطی بتوانند تصمیمات خویش را با دقت و اطمینان بیشتری اخذ نمایند.
همچنین معرفی روشی جدید برای پیشبینی شاخص های بازارهای مالی برای اولین در مطالعات و پژوهش های کاربردی و دانشگاهی میباشد.
۱-۸: ساختار کلی تحقیق
در فصل اول کلیات تحقیق ارائه شد. تشریح و بیان موضوع تحقیق، ضرورت انجام و اهداف تحقیق، فرضیه-های تحقیق و روش آزمون فرضیات تحقیق در این فصل ارائه شد.
فصل دوم مبانی نظری و مروری بر پیشینه تحقیق را در بردارد. در این فصل پس از ارائه مفاهیم بنیادی موضوع تحقیق ، تحقیقات مختلفی که در رابطه با ابعاد مختلف موضوع تحقیق انجام گرفته مورد بررسی قرار گرفت.