تحلیل مقایسه ای کارآمدی مدل های رگرسیون بردار پشتیبان، شبکه عصبی و ARIMA با مدل های ترکیبی در پیش بینی بازده شاخص بورس اوراق بهادار تهران

توضیحات

فصل اول:

۱-۱) مقدمه

۱-۲) تشریح و بیان موضوع

۱-۳) ضرورت انجام تحقیق

۱-۴) سابقه تحقیقات و مطالعات انجام گرفته

۱-۵) فرضیه‌های تحقیق

۱-۶) اهداف اساسی از انجام تحقیق

۱-۷) نتایج مورد انتظار پس از انجام این تحقیق

۱-۸) روش انجام پژوهش

۱-۸-۱ ) روش تحقیق

۱-۸-۲) روشهای گردآوری اطلاعات

۱-۸-۳) قلمرو تحقیق

۱-۸-۴) جامعه­ی آماری

۱-۸-۵) نمونه­ی آماری

۱-۸-۶) روش یا روش­های نمونه گیری  ۱۵

۱-۸-۷) روشهای مورد نظر برای تجزیه و تحلیل اطلاعات و آزمون فرضیه‌ها

۱-۹)تعریف واژه­ها و اصطلاحات تخصصی طرح

فصل دوم:

۲-۱)  مقدمه

۲-۲) انواع داده ها

۲-۲-۱ ) داده­های سری زمانی

۲-۲-۲) داده­های مقطعی۲۱

۲-۲-۳) داده­های پانل۲۲

۲-۳) مدل­های سری زمانی تک متغیره

۲-۴) مفاهیم مهم در تحلیل سری­های زمانی

۲-۴-۱)  مانایی

۲-۴-۲ ) خودکوواریانس، خودهمبستگی و خودهمبستگی جزئی

۲-۴-۳)  تابع خودهمبستگی و خودهمبستگی جزئی

۲-۴-۴)  فرآیند نوفه­ی سفید

۲-۴-۵ ) آماره­ی Q

۲-۵)  فرآیندهای خودرگرسیو(AR)

۲-۶)  فرآیندهای میانگین متحرک (MA)

۲-۷)  فرآیندهای خودرگرسیو  میانگین متحرک (ARMA)

۲-۸)  مدل­های خودرگرسیو میانگین متحرک انباشته (ARIMA)

۲-۹)  مراحل ساخت مدل­های  ARIMA

۲-۱۰ ) انواع نامانایی

۲-۱۱ ) آزمون ریشه­ی واحد

۲-۱۲)  معیارهای اطلاعاتی

۲-۱۳)  شبکه­های عصبی مصنوعی

۲-۱۳-۱) نرون­های بیولوژیکی

۲-۱۳-۲) سیر تاریخی شبکه­های عصبی

۲-۱۳-۳) کاربرد شبکه­های عصبی

۲-۱۳-۴) اجزا و ساختار شبکه­های عصبی

۲-۱۳-۵) مدل ریاضی نرونها

۲-۱۳-۶)  الگوریتم پس­انتشار خطا

۲-۱۳-۷) معماری شبکه­های پس­انتشار

۲-۱۳-۸) طراحی شبکه­ی عصبی۴۵

۲-۱۳-۹) الگوریتم یادگیری Levenberg- Marquardt

۲-۱۳-۱۰) مزایا و معایب شبکه­ی عصبی

۲-۱۴) ماشین بردار پشتیبان۵۰

۲-۱۵) ماشین بردار پشتیبان دو کلاسه۵۲

۲-۱۶) ماشین بردار پشتیبان با حاشیه ثابت۵۴

۲-۱۷) ماشین بردار پشتیبان با حاشیه منعطف۵۸

۲-۱۸) ماشین بردار پشتیبان چند کلاسه۵۹

۲-۱۹)رویکرد طبفه بندی غیر خطی در ماشین بردار پشتیبان۶۰

۲-۲۰) رگرسیون بردار پشتیبان۶۳

۲-۲۰-۱) رگرسیون خطی بردارپشتیبان۶۳

۲-۲۰-۲) رگرسیون غیرخطی بردار پشتیبان۶۶

۲-۲۱) مزایا و معایب ماشین بردار پشتیبان۶۷

۲-۲۲)  شبکه­های عصبی و عملکردهای متفاوت

۲-۲۳)  مروری بر مطالعات ترکیبی

فصل سوم:

۳-۱) مقدمه

۳-۲) فرضیه­های تحقیق

۳-۳) متغیرهای تحقیق و نحوه گردآوری داده­ها

۳-۴) دوره­ی زمانی انجام تحقیق و روش نمونه گیری

۳-۵) برازش مدل خودرگرسیو میانگین متحرک انباشته(ARIMA)

۳-۶) برازش شبکه­ی عصبی مصنوعی

۳-۷) مدل ترکیبی

۳-۷-۱) شرح  مدل ترکیبی

۳-۷-۲) برازش مدل ترکیبی

۳-۸) مقایسه­ی عملکرد و آزمون فرضیه

۳-۹) آزمون دایبولد- ماریانو۸۷

۳-۱۰) جمع بندی۸۹

فصل چهارم:

۴-۱) مقدمه۹۱

۴-۲) بررسی مانایی بازده­های لگاریتمی

۴-۳)محاسبه­ی معیار میانگین مجذور خطا

۴-۴) محاسبه­ی تابع زیان قدر مطلق درصد خطا

۴-۵) آزمون فرضیه­های تحقیق

فصل پنجم:

۵-۱) نتیجه­گیری

۵-۲) پیشنهادات برای تحقیقات آتی