R2 تعدیل شده
داده های آزمایشی۰۰۴۲/۰۰۰۵۰/۰۹۶۷۳/۰۹۶۵۶/۰داده های آموزشی۰۰۲۷/۰۰۰۳۱/۰۹۹۸۲/۰۹۹۸۱/۰
در شکل ۴-۸ داده های واقعی با مقادیر پیشبینی شده توسط الگوریتم استخراج قانون (سیستم ژنتیک فازی) برای داده های آزمایشی مورد مقایسه قرار گرفته شده است:
شکل ۴-۸: مقایسه داده های واقعی با مقادیر پیشبینی شده توسط الگوریتم استخراج قانون(سیستم ژنتیک فازی)
نتایج، بیانگر عملکرد خوب مدل الگوریتم استخراج قانون در پیشبینی شاخص قیمت سهام در بورس اوراق بهادار تهران میباشد؛ با توجه به جدول ۴-۶ و ۴-۳ الگوریتم استخراج قانون از شبکهی عصبی مصنوعی (MLP) در تمامی معیارهای ارزیابی عملکرد دارای نتایج بهتری میباشد، لذا فرضیه سوم پژوهش که بیانگر نتایج مطلوب الگوریتم استخراج قانون از شبکه عصبی مصنوعی میباشد، تایید میشود، این مدل در مقایسه با شبکه عصبی مصنوعی از دقت بالاتری در پیشبینی شاخص قیمت سهام بورس اوراق بهادار تهران برخوردار است.
۴-۵: آزمون فرضیه چهارم
در مرحله نخست با بهره گرفتن از موجک (دبوچی)، سری زمانی تا سه مرحله تجزیه میشود، تا سطح هموارشده تقریبا بصورت یک خط نسبتاً راست درآید و با در نظرگرفتن این نکته که مدلARIMA در پیشبینی سری های خطی قدرت بالایی دارد، این سری بوسیله آن پیشبینی میشود. در مرحله بعد با جمع کردن توابع جزئیات(مولفه‌ها) یک سری بدست می‌آید که روند زدایی شده است و فقط شامل نوسانات در طول دوره است. از آنجایی که: (صادقی و همکاران،۱۳۸۸)
سری اصلی= سری سطح هموار شده + مجموع سری‌های توابع جزئیات
در مرحله بعد عوامل تاثیرگذار بر این نوسانات تعیین میشود. عوامل تاثیرگذار بر این نوسانات به عنوان ورودی به شبکه عصبی داده و نوسانات به‌عنوان خروجی آن تعیین میشود و در شبکه عصبی به طراحی و تخمین مدل در این زمینه پرداخته میشود. در انتها با بهره گرفتن از معکوس تبدیل موجک گرفته شده پیشبینی های صورت گرفته با مدلهای شبکه عصبی (MLP) و مدل خطی ARIMA با هم ترکیب شده تا پیشبینی سری اصلی حاصل گردد.
در مدل ARIMA همانطور که اشاره گردید ابتدا باید مانایی سری بررسی شود و سپس تعداد جملات خودرگرسیو و تعداد جملات میانگین متحرک بدست آید، در اینجا سری هموار شده با یک مرحله نفاضل گیری مانا شده و سپس برای تعیین تعداد جملات خودرگرسیو و میانگین متحرک همانطور که اشاره گردید از آماره آکائیک و شوارتز استفاده میکنیم، پس از آزمون و خطا تعداد جملات خودرگرسیو و میانگین متحرک به ترتیب ۲و ۲ بدست آمد، لذا مدل بهینه بصورت (۲،۱،۲) ARIMA تعیین شد.
برای اینکه مدلهای استفاده شده قابلیت مقایسه داشته باشند، شبکهی عصبی استفاده شده دارای ویژگیهای یکسان همانند شبکهی عصبی قبلی میباشد و سپس برای تعیین پارامترهای مناسب شبکه عصبی از آزمون خطا استفاده میکنیم در جدول۴-۷ پارامترهای شبکه عصبی بهینه آورده شده است.
جدول۴-۷: پارامترهای ساختار شبکه نهایی MLP
| تابع فعال سازی | نرخ یادگیری | تعداد نرون های لایه پنهان | تعداد تکرار | شتاب شبکه |
