گروه فناوری حمل و نقل Chien-Chang Chou ، دانشگاه ملی دریایی Kaohsiung ، شهر Kaohsiung ، تایوان ؛مرکز تحقیقات علمی چو ، Kaohsiung ، تایوان ؛گروه فناوری حمل و نقل ، دانشگاه ملی علوم و فناوری Kaohsiung ، شهر Kaohsiung ، مکاتبات تایوان ccchou@mail. nkmu. edu. tw ccchou@nkust. edu. tw

گروه فناوری حمل و نقل Keng-shou ، دانشگاه ملی دریایی Kaohsiung ، شهر Kaohsiung ، تایوان

• استناد را بارگیری کنید
• https://doi. org/10. 1080/20464177. 2018. 1495886
• جایگاه

مقالات

یک شبکه عصبی فازی همراه با شاخص های فنی و کاربرد آن در پیش بینی شاخص خشک بالتیک

• مقاله کامل
• ارقام و داده ها
• منابع
• استناد
• معیارهای
• چاپ مجدد و مجوزها
• مشاهده pdf pdfview epub epub

خلاصه

نمایش فرمول :؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

برای افزایش پیش بینی تجزیه و تحلیل فنی روند نرخ حمل و نقل در بازار حمل و نقل فله خشک ، یک شبکه عصبی فازی همراه با شاخص های فنی توسعه یافته است. در مرحله اول ، پنج شاخص فنی که اغلب در بازار مالی مورد استفاده قرار می گیرند از جمله ٪ R ، RSI ، MACD ، CCI و MA به عنوان سیگنال های ورودی انتخاب می شوند و میزان دقت برای پیش بینی شاخص خشک بالتیک (BDI) حدود 62 ٪ است. ثانیا ، یک شبکه عصبی فازی سنتی برای پیش بینی BDI اعمال می شود. RMSPE پیش بینی BDI توسط شبکه عصبی فازی سنتی 24. 76 است. سرانجام ، شبکه عصبی فازی یکپارچه همراه با شاخص های فنی برای پیش بینی BDI اعمال می شود. میزان دقت برای پیش بینی روند BDI 83 ٪ و RMSPE پیش بینی BDI 1. 89 است. نتایج نشان می دهد که شبکه عصبی یکپارچه فازی همراه با شاخص های فنی نسبت به رویکرد نشانگر فنی یا رویکرد شبکه عصبی فازی دارای دقت پیش بینی بالاتری است.

معرفی

حمل و نقل یکی از روش های مهم حمل و نقل کالا در تجارت بین المللی است. بر اساس گزارش سالانه منتشر شده توسط UNCTAD (2015)، 53 درصد از کالاهای تجارت بین المللی را محموله های فله خشک شامل سنگ آهن (13 درصد)، زغال سنگ (12 درصد)، غلات (4 درصد)، سایر محموله های خشک (9 درصد)،و فله های جزئی (15%). سنگ آهن از استرالیا، برزیل، آفریقای جنوبی و کانادا به چین، ژاپن، اروپا، کره جنوبی و تایوان صادر می شود. زغال سنگ از اندونزی، استرالیا و روسیه به چین، اروپا، هند، ژاپن، کره جنوبی و تایوان صادر می شود. غلات از ایالات متحده، اتحادیه اروپا، اوکراین، کانادا و روسیه به آسیا، آفریقا، آمریکای در حال توسعه و آسیای غربی صادر می شود. این محموله های فله خشک توسط کشتی های فله بر حمل می شود. نرخ حمل و نقل در حمل و نقل فله خشک قیمت تعادلی مذاکرات مالک کشتی و اجاره کننده است. از سه چارتر اصلی اغلب در بازار حمل و نقل فله استفاده می شود، از جمله چارتر سفر، چارتر زمانی و چارتر قایق برهنه. نرخ حمل و نقل چارتر سفر به دلار در هر تناژ متریک ذکر شده است. نرخ کرایه کرایه زمانی به USD در روز ذکر شده است. نرخ کرایه کرایه قایق برهنه به دلار آمریکا در سال ذکر شده است. شاخص خشک بالتیک (BDI) یک شاخص مهم برای نرخ حمل و نقل در بازار حمل و نقل فله خشک است. BDI قیمت تجمعی مسیرهای اصلی و اندازه های مختلف کشتی است. مسیرهای عمده خشک فله شامل Tubarao-Rotterdam، چین-ژاپن، آمریکا خلیج فارس-ژاپن، Antwerp-Skaw ... و غیره است. سایزهای مختلف کشتی عبارتند از: فله بر Handysize، فله بر سوپرامکس، فله بر پاناماکس و فله بر Capesize. تناژ وزن مرده برای فله برهای Handysize، Supramax، Panamax و Capesize به ترتیب حدود 15000 تا 35000، 45000 تا 59000، 60000 تا 80000، بیش از 100000 تن است. شاخص های Handysize، Supramax، Panamax، و Capesize به ترتیب به نام های Baltic Handysize Index (BHSI)، Baltic Supramax Index (BSI)، Baltic Panamax Index (BPI) و Baltic Capesize Index (BCI) نامیده می شوند. به عبارت دیگر، BDI حاصل جمع وزنی BHSI، BSI، BPI و BCI است.

BDI افزایش می یابد که تقاضای حمل و نقل فله از تأمین ظرفیت کشتی بزرگتر باشد. در مقابل ، هنگامی که ظرفیت کشتی بزرگتر از تقاضای حمل و نقل باری فله باشد ، BDI کاهش می یابد. صاحبان کشتی تصمیم می گیرند یک کشتی جدید را برای کسب نرخ حمل و نقل بیشتر یا اجاره بها درآمده باشند که BDI در بازار حمل و نقل فله بالا باشد. در مقابل ، صاحبان کشتی تصمیم می گیرند یک کشتی قدیمی را برای کاهش تلفات و خطرات در هنگام کم بودن BDI تخریب کنند. BDI همچنین در هنگام تصمیم گیری و استراتژی های عملیاتی ، یک شاخص بسیار مهم برای حمل و نقل حمل و نقل ، منشور ، حمل و نقل و بانک های مالی در صنعت حمل و نقل فله است. متأسفانه ، معمولاً برای صاحبان کشتی ، حمل و نقل حمل و نقل ، منشور ، حمل و نقل و بانکهای مالی بسیار دشوار است که به طور دقیق BDI را تجزیه و تحلیل و پیش بینی کنید. به طور کلی ، بازار حمل و نقل فله خشک فصلی ، چرخه ای و بسیار بی ثبات است. با توجه به ماهیت غیر ثابت و غیرخطی نرخ حمل و نقل و پیچیدگی عوامل تأثیرگذار ، تجزیه و تحلیل و پیش بینی دقیق نوسانات BDI در بازار حمل و نقل فله دشوار است. Zeng and Qu (2014) عوامل تأثیرگذار زیادی از قبیل عرضه و تقاضای ظرفیت های کشتی را نشان دادند ، موقعیت های سیاسی و اقتصادی بین المللی در بازار حمل و نقل فله وجود دارد. Kavussanos و Alizadeh (2001) همچنین ماهیت فصلی را در نرخ حمل و نقل بازار حمل و نقل فله خشک مورد بررسی قرار دادند. بنابراین ، این مطالعه تلاش می کند تا یک رویکرد ترکیبی نوآورانه را برای پیش بینی دقیق BDI در بازار حمل و نقل فله معرفی کنیم.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 یک بررسی کوتاه ادبیات ، از جمله پیش بینی سهام در بازار مالی و پیش بینی BDI در بازار حمل و نقل فله ارائه می دهد. بخش 3 روش شناسی ، از جمله پنج شاخص فنی را که اغلب در بازار مالی استفاده می شود (٪ R ، RSI ، MACD ، CCI و MA) ، شبکه عصبی فازی سنتی و شبکه عصبی فازی پیشنهادی همراه با شاخص های فنی معرفی می کند. یک مطالعه تجربی از پیش بینی BDI در بازار حمل و نقل فله در بخش 4 نشان داده شده است و به دنبال آن نتیجه گیری در بخش 5 است.

بررسی ادبیات

پیش بینی سهام در بازارهای مالی

چانگ و وو (2015) خاطرنشان كردند كه تحلیلگران بورس اوراق بهادار رویکردهای بسیاری را در تجزیه و تحلیل و پیش بینی قیمت سهام مانند تجزیه و تحلیل فنی ، تجزیه و تحلیل اساسی ، پیش بینی سری زمانی ، تجزیه و تحلیل رگرسیون ، تئوری فازی و شبکه عصبی اتخاذ كرده اند. هر یک از این رویکردها اطلاعاتی را در مورد چگونگی حرکت روند بازار سهام در اختیار سرمایه گذاران قرار می دهد.

LUI و MOLE (1998) نشان دادند كه تجزیه و تحلیل فنی معمولاً توسط جامعه سرمایه گذاری در پیش بینی روند قیمت سهام نسبت به تجزیه و تحلیل بنیادی کمی مفیدتر است ، اما در پیش بینی نقاط عطف به طور قابل توجهی مفیدتر است. Teixeira و De Oliveira (2010) یک رویکرد جدید برای تجارت خودکار سهام ارائه دادند که ترکیبی از تجزیه و تحلیل فنی و نزدیکترین طبقه بندی همسایه است.

چانگ و تسای (2009) یک رویکرد پیش بینی سری زمانی جدید برای پیش بینی شاخص سهام تایوانی ارائه دادند. لین و همکاران.(2007) دریافت که مدل های پیش بینی سری زمانی بر اساس معادلات ریاضی ناتوان از یادگیری پویا ، پیش بینی الگوهای تغییر و شناسایی روندهای متحرک هستند. بنابراین ، مدل های پیش بینی سری زمانی معمولاً نمی توانند به طور مؤثر رفتار واقعی بازار سهام را توضیح دهند.

هونگ (2011) یک مدل ناهمگونی مشروط مشروط (AR) (GARCH) را همراه با تئوری فازی ارائه داد تا نوسانات بازار سهام را پیش بینی کند. نتایج شبیه سازی نشان می دهد که مدل گارچ فازی رویکرد پیش بینی بهتر است. چانگ و همکاران.(2016) خاطرنشان كرد كه تصمیم معاملاتی در بورس یك مسئله پیچیده غیرخطی و غیر ثابت است نه فرمول ریاضی و نه یک مدل آماری نمی توانند دقیقاً پیش بینی كنند. رویکردهای رگرسیون در هنگام حل مشکل تصمیم گیری در مورد تجارت سهام محدودیت های خاصی دارند.

مطالعات قبلی خاطرنشان كردند كه شبکه عصبی ممكن است برای پیش بینی سهام مناسب تر باشد و شبکه عصبی به طور گسترده ای برای پیش بینی سهام در بازار مالی اعمال شده است (Schöneburg 1990 ؛ Armano et al. 2005 ؛ Chang et al. 2009 ؛ AO 2011 ؛ Lee andeTzeng 2013 ؛ Chang et al. 2016 ؛ Zeng et al. 2016). چو و همکاران.(1996) یک سیستم پشتیبانی تصمیم گیری در مورد معاملات سهام هوشمند را معرفی کرد. سیستم پشتیبانی تصمیم گیری در مورد معاملات سهام هوشمند می تواند با توجه به پیش بینی روندهای کوتاه مدت و بلند مدت با استفاده از شبکه عصبی مبتنی بر قانون ، سیگنال های خرید و فروش را پیش بینی کند. سیستم شبکه عصبی پیشنهادی توسط یک مورد TSEWPI (شاخص قیمت وزن بورس اوراق بهادار تایوان) مورد بررسی قرار گرفت. نتایج نشان می دهد که به نظر می رسد سیستم تصمیم گیری در مورد تجارت سهام امیدوار کننده است.

یائو و همکاران.(1999) از شاخص های فنی و شبکه عصبی برای پیش بینی شاخص سهام KLCI استفاده کرد و در مقایسه با مدل سنتی Arima بازده بهتری کسب کرد. یائو و تان (2000) یک مدل شبکه عصبی را برای پیش بینی نرخ ارز تصویب کردند. داده های سری زمانی و شاخص های فنی ، مانند میانگین متحرک ، برای ضبط قوانین اساسی حرکت در نرخ ارز به شبکه عصبی تغذیه می شوند. چانگ و همکاران.(2009) اظهار داشت که پیش بینی قیمت سهام با پیش بینی سری زمانی سنتی دشوار است. پیش بینی سری زمانی در بازار سهام با شدت داده ها ، سر و صدا ، غیر ثابت ، درجه بالایی از عدم اطمینان و روابط پنهان مشخص می شود. به طور سنتی ، تجزیه و تحلیل بازار سهام معمولاً به تجزیه و تحلیل اساسی و فنی تقسیم می شود. تجزیه و تحلیل اساسی همیشه به سود شرکت ها ، وضعیت کلان اقتصادی و محیط سیاسی و غیره بستگی دارد. تجزیه و تحلیل فنی فرض می کند که قیمت سهام تاریخی مهمترین داده ها است ، به منظور پیش بینی قیمت سهام آینده فقط باید فقط داده های تاریخی را تحلیل کند. شبکه عصبی ممکن است یک روش مناسب تر برای تجزیه و تحلیل فنی و پیش بینی معاملات سهام باشد.

چانگ و همکاران.. سرانجام ، رویکرد فازی رمان پیشنهادی Takag i-Sugeno برای پیش بینی بازار سهام ایالات متحده اعمال می شود. رویکرد فازی Takag i-sugeno پیشنهادی نیز با یک مدل رگرسیون خطی معمولی و شبکه عصبی مصنوعی (ANN) مقایسه شده است. نتیجه نشان می دهد که مدل فازی Takag i-sugeno نه تنها سود بیشتری به همراه دارد بلکه شناسایی پویا پایدار از پیچیدگی های پیش بینی سهام را نیز امکان پذیر می کند.

وی (2016) اظهار داشت که سه اشکال اصلی استفاده از روش های سری زمانی برای بازار سهام وجود دارد: (1) برخی از مدل ها را نمی توان برای مجموعه داده هایی که از فرضیات آماری پیروی نمی کنند ، استفاده کرد.(2) بیشتر مدل های سری زمانی که از داده های سهام با مقدار قابل توجهی از نویز استفاده می کنند ، عملکرد پیش بینی بدتری دارند. و (3) قوانینی که از آن استخراج می شوند به راحتی قابل درک نیستند. برای بهبود عملکرد پیش بینی مدل های سری زمانی ، یک مدل سیستم استنتاج مبتنی بر شبکه تطبیقی مبتنی بر شبکه (ANFIS) ارائه شده و قیمت سهام در بورس اوراق بهادار تایوان را پیش بینی می کند و شاخص سهام وزنه برداری وزن (TAIEX) و آویزان شاخص سهام Seng(HSI). سرانجام ، نتایج نشان می دهد که مدل سری زمانی ترکیبی ANFIS بر اساس مقادیر میانگین خطای مربع (RMSE) نسبت به سایر مدل ها برتر است. چن و همکاران.(2016) از مدل های سری زمانی چند عاملی مبتنی بر ANFIS برای پیش بینی شاخص سهام استفاده کرد.

پیش بینی BDI در بازارهای حمل و نقل فله

Kavussanos و Alizadeh (2001) وجود و نوع فصلی را در نرخ حمل و نقل بازار حمل و نقل فله خشک بررسی کردند. علاوه بر این ، آنها آن را با نرخ حمل و نقل در اندازه های مختلف حامل فله (Handysize ، Panamax و Capesize) ، مدت زمان قرارداد (نقطه ، منشورهای یک ساله و سه ساله) و موقعیت های بازار (اوج و فرورفتگی) مقایسه کردند. نتایج نشان می دهد که نرخ نقطه برای حامل های فله بزرگتر نوسانات فصلی بالاتری را در مقایسه با موارد کوچکتر نشان می دهد. برای هر اندازه حامل فله ، با افزایش مدت زمان قرارداد ، فصلی کاهش می یابد.

KO (2011) سری زمانی نرخ حمل و نقل را در بازار حمل و نقل فله به یک مؤلفه روند بلند مدت و یک مؤلفه خاص موقتی با یک مدل تصادفی تجزیه کرد. این مطالعه یک شاخص جایگزین برای BDI در بازار فله جهانی خشک است. شاخص جایگزین همبستگی بالایی با BDI نشان می دهد. شاخص جایگزین با کشتی های کوچکتر نسبت به کشتی Capesize مشابه بود که در بین زیر بازار فله خشک واگرایی وجود داشت. وو و لین (2015) موضوعات مربوط به اقتصاد مقیاس و اقتصاد اندازه کشتی را در صنعت حمل و نقل تایوانی مورد مطالعه قرار دادند. نتایج نشان می دهد که اقتصادهای مقیاس و اقتصادهای اندازه کشتی نقش های مهمی دارند. کشتی های بزرگ از مزیت هزینه برخوردار هستند و استقرار کشتی های بزرگ منجر به مشکل جدی بیش از حد می شود.< SPAN> KO (2011) سری زمانی نرخ حمل و نقل را در بازار حمل و نقل فله به یک مؤلفه روند بلند مدت و یک مؤلفه خاص موقتی با یک مدل تصادفی تجزیه کرد. این مطالعه یک شاخص جایگزین برای BDI در بازار فله جهانی خشک است. شاخص جایگزین همبستگی بالایی با BDI نشان می دهد. شاخص جایگزین با کشتی های کوچکتر نسبت به کشتی Capesize مشابه بود که در بین زیر بازار فله خشک واگرایی وجود داشت. وو و لین (2015) موضوعات مربوط به اقتصاد مقیاس و اقتصاد اندازه کشتی را در صنعت حمل و نقل تایوانی مورد مطالعه قرار دادند. نتایج نشان می دهد که اقتصادهای مقیاس و اقتصادهای اندازه کشتی نقش های مهمی دارند. کشتی های بزرگ از مزیت هزینه برخوردار هستند و استقرار کشتی های بزرگ منجر به مشکل جدی بیش از حد ظرفیت شده است. Ko (2011) سری زمانی از نرخ حمل و نقل در بازار حمل و نقل فله را به یک مؤلفه روند بلند مدت و یک خاص موقتی تجزیه کرد. مؤلفه با یک مدل تصادفی. این مطالعه یک شاخص جایگزین برای BDI در بازار فله جهانی خشک است. شاخص جایگزین همبستگی بالایی با BDI نشان می دهد. شاخص جایگزین با کشتی های کوچکتر نسبت به کشتی Capesize مشابه بود که در بین زیر بازار فله خشک واگرایی وجود داشت. وو و لین (2015) موضوعات مربوط به اقتصاد مقیاس و اقتصاد اندازه کشتی را در صنعت حمل و نقل تایوانی مورد مطالعه قرار دادند. نتایج نشان می دهد که اقتصادهای مقیاس و اقتصادهای اندازه کشتی نقش های مهمی دارند. کشتی های بزرگ از مزیت هزینه برخوردار هستند و استقرار کشتی های بزرگ منجر به مشکل جدی بیش از حد می شود.

چو و همکاران.(2008) یک روش رگرسیون اصلاح شده را پیشنهاد کرد و برای پیش بینی حجم محموله های وارداتی اعمال شد. نتیجه مطالعه تجربی نشان می دهد که مدل رگرسیون اصلاح شده از دقت پیش بینی بالاتری نسبت به سایر رویکردهای پیش بینی رگرسیون معمولی برخوردار است. چو و لین (2010) برای تجزیه و تحلیل روابط بین BDI و شاخص قیمت فولاد ، یک مدل وکتور AR ایجاد کردند. نتایج نشان می دهد که میزان دقت پیش بینی در یک بازه معقول کاهش یافته است. Xu و همکاران.(2011) از نظر آماری شواهد قابل توجهی ارائه داد که رشد اندازه ناوگان تعیین کننده مهمی از نوسانات حمل و نقل است و آن را به صورت غیرخطی تحت تأثیر قرار می دهد. در یک بازار حمل و نقل فله خشک ، افزایش در تغییر ظرفیت کشتی منجر به افزایش نوسانات نرخ حمل و نقل می شود. نوسانات نرخ حمل و نقل توسط یک مدل AR-GARCH اندازه گیری می شود. رابطه بین نوسانات نرخ حمل و نقل و رشد اندازه ناوگان با استفاده از رگرسیون GMM بررسی می شود. تغییر در اندازه ناوگان بر نوسانات نرخ حمل و نقل تأثیر مثبت دارد. دورو و یوشدا (2011) از طریق شاخص حمل و نقل بلند مدت ، تاخیر و کشش قیمت بازار حمل و نقل فله را بررسی کردند. نتیجه نشان داد که مدل خطی خطی به دلیل رگرسیون مبهم ، رویکرد مناسبی برای پیش بینی بازار حمل و نقل فله نیست. هان و همکاران.(2016) یک رویکرد یکپارچه برای اندازه گیری ریسک مالی در بازار حمل و نقل فله خشک ارائه داد. رویکرد یکپارچه ترکیب مدل ناهمگونی مشروط AR ، آزمایش داده های تاریخی خوب بودن تست مناسب و شبیه سازی مونت کارلو است. سرانجام ، یک استراتژی مدیریت ریسک که به صاحبان کشتی ، منشور ، حمل و نقل حمل و نقل و بانک های مالی امکان شناسایی ، تعیین و جلوگیری از بیشترین خطرات مالی در صنعت حمل و نقل فله خشک را می دهد.

DURU (2010) اظهار داشت که مطالعات مختلفی با استفاده از تکنیک هایی مانند حرکت متوسط ، رگرسیون خودکار و روشهای هموار سازی ، پیشرفت در دقت پیش بینی را پیشنهاد کرده اند. این روشها قادر به پیش بینی نوع خاصی از داده ها به طور دقیق هستند ، اما برای برخی از مشکلات پیش بینی سری زمانی در زندگی عملی نامناسب هستند. روشهای پیش بینی معمولی نیاز به نرمال بودن و ثابت دارند. با این حال ، بسیاری از داده ها در بازار حمل و نقل فله معمولاً ثابت نیستند. بنابراین ، تئوری مجموعه های فازی یک رویکرد مناسب برای پیش بینی BDI در بازار حمل و نقل فله است. یک روش پیش بینی مبتنی بر فازی نیازی به یک نمونه داده بزرگ ثابت یا یک داده کاملاً کمی ندارد. بنابراین ، یک رویکرد سری زمانی فازی بهبود یافته برای پیش بینی BDI در بازار حمل و نقل فله خشک ارائه شده است. مطالعات تجربی نشان می دهد که رویکرد سری زمانی فازی بهبود یافته نسبت به سایر روشهای پیش بینی معمولی از دقت بالاتری برخوردار است. دورو و همکاران.(2012) یک فرآیند تنظیم فازی-دلفی را برای بهبود دقت پیش بینی و سپس نشان دادن عملکرد آن در اعتبار سنجی تنظیمات رگرسیون آماری با یک مطالعه موردی تجربی از پیش بینی BDI ارائه داد.

DURU (2012) با استفاده از استنتاج چند متغیره و خوشه بندی چند متغیره ، یک مدل سری زمانی فازی بهبود یافته را ارائه داد. مدل سری زمانی فازی چند متغیره پیشنهادی برای پیش بینی بار حمل بار خشک در بازار حمل و نقل فله اعمال شده است. نتایج نشان می دهد که مدل سری زمانی فازی چند متغیره پیشنهادی بهتر از سری زمانی فازی و روش های سری زمانی معمولی است.

لئونووا و نیکولوف (2012) اظهار داشتند که بیشتر روشهای پیش بینی می توانند نتایج مفیدی را برای تجزیه و تحلیل و پیش بینی ایجاد کنند که قیمت بازار خطی باشد. با این حال ، غیرخطی بودن در سری قیمت بازار حمل و نقل فله وجود دارد. یک شبکه عصبی یک رویکرد مناسب برای حل مشکل غیرخطی است. بنابراین ، یک مدل مبتنی بر یک موجک و یک شبکه عصبی برای پیش بینی قیمت در بازار حمل و نقل فله ارائه شد.

وانگ و همکاران(2013) حجم محموله های وارداتی/صادراتی در بازار حمل و نقل بین المللی را با استفاده از مدل دینامیک سیستم بهبودیافته پیش بینی کرد. نتایج نشان می دهد که مدل پیش بینی بهبودیافته عملکرد پیش بینی بهتری نسبت به مدل پیش بینی دینامیک سیستم معمولی دارد. Zeng و Qu (2014) نوسانات BDI را در بازار حمل و نقل فله خشک با استفاده از تجزیه حالت تجربی (EMD) که به طور گسترده در تشخیص خطا استفاده می شود، تجزیه و تحلیل کردند. BDI از 1 نوامبر 1999 تا 21 دسامبر 2012 به عنوان داده های نمونه انتخاب شده است. آزمایش های عددی نشان می دهند که مدل EMD می تواند به طور موثر ویژگی های نرخ بار فله خشک را آشکار کند.

بر اساس ادبیات فوق، اشاره می شود که تحلیل تکنیکال ابزار مهمی در تحلیل بازار سهام است. پیش بینی سری های زمانی نیز اغلب در بازار مالی استفاده می شود. مطالعات اخیر نشان داد که مدل های شبکه عصبی همراه با تئوری فازی عملکرد بهتری در دقت پیش بینی نسبت به روش های تحلیل فنی و سری زمانی در بازار سهام دارند. علاوه بر این، برخی مطالعات نشان داد که مدل های شبکه عصبی فازی همراه با شاخص فنی عملکرد بهتری در دقت پیش بینی نسبت به شبکه عصبی فازی در بازار مالی دارند. از سوی دیگر، در بازار حمل و نقل فله، برخی از رویکردهای مهم اغلب برای تحلیل و پیش بینی BDI از جمله سری های زمانی، رگرسیون، نظریه فازی و شبکه عصبی استفاده می شوند. تعداد کمی از شبکه عصبی فازی همراه با شاخص های فنی در بازار مالی برای تحلیل و پیش بینی BDI در بازار حمل و نقل فله استفاده می کنند. بنابراین، این مطالعه تلاش می کند تا یک شبکه عصبی فازی همراه با شاخص های فنی را برای تحلیل و پیش بینی BDI در بازارهای حمل و نقل فله پیشنهاد کند.

روش شناسی

شاخص های فنی

مورفی (1999) تجزیه و تحلیل فنی را برای مطالعه اقدامات بازار مالی ، در درجه اول با استفاده از نمودارها ، با هدف پیش بینی روند قیمت های آینده ارائه داد. این تکنسین اقدامات بازار را از طریق دو متغیر اصلی ، قیمت و حجم معاملات مشاهده می کند. این تکنسین معتقد است که آنچه احتمالاً در بازار مالی تأثیر می گذارد در حال حاضر در قیمت ها منعکس شده است. تمام اطلاعات جدید بلافاصله در این قیمت ها منعکس می شوند. در نتیجه ، تمام نیازهای تکنسین تجزیه و تحلیل تاریخچه قیمت سهام است. شاخص های فنی معمولاً فرمول های ریاضی برای مدل سازی روند قیمت ها و حجم در بازار مالی هستند. بیشترین شاخص ها در بازارهای مالی شاخص ٪ R ، شاخص قدرت نسبی (RSI) ، میانگین واگرایی همگرایی در حال حرکت (MACD) ، شاخص کانال کالا (CCI) و میانگین متحرک است. فرمول ها و توضیحات پنج شاخص فنی به شرح زیر ارائه شده است.

شاخص ٪ R توسط ویلیامز (1973) ارائه شد. مقدار شاخص ٪ R پایان در روز n با معادله (1) آورده شده است: (1) - H I G H N D A Y S - C L O S E T O D A Y H I G H N D A Y S - L O W N D A Y S × 100 ٪ ، (1) که در آن بالا_نواحیبالاترین قیمت در روزهای N به پایان روز ، پایین است_نواحیکمترین قیمت در روزهای N به پایان روز ، نزدیک است_امروزقیمت پایانی استشاخص ٪ R ممکن است به عنوان قدرت تجارت در نظر گرفته شود. مقدار شاخص ٪ R بین 100 تا 0 است و معمولاً به سه منطقه از هم جدا می شود. هنگامی که ارزش ٪ R بالاتر از 20 - باشد ، بازار در روند صعودی قرار دارد. بازار در روند نزولی است که ارزش ٪ R زیر 80 - باشد. هنگامی که ارزش ٪ R بین 80 تا 20 پوند باشد ، بازار در منطقه مشخصی قرار دارد.

(2) شاخص قدرت نسبی

RSI توسط ولز وایلدر (1978) معرفی شد. این میزان سودهای اخیر را با بزرگی تلفات مقایسه می کند و عددی را تولید می کند که از 0 تا 100 متغیر است. نوسان ساز فنی RSI می تواند به عنوان معادله زیر بیان شود: (2) S M A (U ، N)S M A (U ، N) + S M A (D ، N) × 100 ٪.(2)

S M A (U ، N) به معنای میانگین جمع بندی قیمت های نزدیک بالاتر از قیمت های نزدیک قبلی در بازه زمانی N-Day است. S M A (D ، N) به معنای میانگین جمع بندی قیمت های نزدیک پایین تر از قیمت های نزدیک قبلی است.

روش RSI به طور معمول در بازه زمانی 14 روزه مورد استفاده قرار می گیرد ، که در مقیاس از 0 تا 100 اندازه گیری می شود. مقدار 0 به معنای ضعف نسبی است. مقدار 100 به معنای قدرت نسبی است. RSI در نمودار بالا یا زیر نمودار قیمت ارائه شده است. این شاخص به طور معمول در 30 ، یک خط بالاتر در 70 و یک خط میانی در 50 قرار دارد.

(3) حرکت میانگین واگرایی همگرایی

MACD در سال 1979 توسط Appel و Hitschler معرفی شد (Colby 2002). مقدار یک نشانگر MACD N-day که در روز N به پایان می رسد ، MACD (L ، M ، N ، N ، N) می تواند از تفاوت DIF (L ، M ، N) بین یک روز کوتاه L- روز به طور نمایی EMA در حال حرکت است.. معادله MACD به شرح زیر ذکر شده است (Appel 2005). ema (l ، n - 1) × (l - 1) + 2 × c (n) (l + 1) ، ema (m ، n - 1) × (m - 1) + 2 × c (n) (m+ 1) ، dif (l ، m ، n) = e m a (l ، n) - e m a (m ، n) ، (3) macd (l ، m ، n ، n ، n - 1) × (n - 1) + 2× D I F (L ، M ، N) (N + 1).(3)

بازار در یک روند صعودی قرار دارد و هنگامی که خط DIF (L ، M ، N) به خط MACD (L ، M ، N ، N ، N) وارد می شود و یک صلیب طلایی را تشکیل می دهد ، یک سیگنال خرید است. در مقابل ، بازار در یک روند نزولی قرار دارد و وقتی خط DIF (L ، M ، N) به خط MACD (L ، M ، N ، N) نفوذ می کند و یک صلیب مرده را تشکیل می دهد ، یک سیگنال فروش است.

(4) شاخص کانال کالا

روش CCI در ابتدا توسط دونالد (1980) معرفی شد. این به عنوان تفاوت بین قیمت معمولی یک کالا و میانگین حرکت ساده آن محاسبه می شود ، که بر اساس میانگین انحراف مطلق قیمت معمولی تقسیم می شود. CCI معمولاً با ضریب 0. 015 است. معادله CCI به شرح زیر ذکر شده است. به طور کلی ، CCI100 به این معنی است که قیمت روند صعودی دارد.−100tقیمت معمولی = بالاترین قیمت + کمترین قیمت + قیمت نزدیک / 3 است.

(5) میانگین حرکت

روش میانگین حرکت (MA) با محاسبه میانگین قیمت یک امنیت در تعداد مشخصی از دوره ها تشکیل می شود. محاسبه برای هر روز در نمودار تکرار می شود و سپس برای ایجاد یک منحنی صاف پیوسته است که شناسایی جهت روند قیمت را آسان تر می کند. در یک برنامه مالی ، میانگین متحرک برای نمونه N-day از قیمت بسته شدن میانگین قیمت بسته شدن روزهای قبل N است. اگر این قیمت ها P هستند_m، پ_{(M- 1)}، … ، پ_{(n- 1)}، سپس معادله MA به شرح زیر ذکر شده است: (5) P m + p m - 1 +… + p m - (n - 1) n.(5)

شبکه عصبی فازی

مفهوم تئوری مجموعه های فازی در ابتدا توسط زاده (1965) معرفی شده است. تئوری مجموعه فازی یک رویکرد مناسب برای برخورد با داده های تصادفی تحت محیط نامشخص است (لی و چو 2004 ؛ چو 2011 ؛ چو و همکاران 2011 ؛ دورو و همکاران 2012 ؛ کوو و لیانگ 2012 ؛ کافالی و اوزکوک 2015). تئوری مجموعه های فازی به طور گسترده ای در بسیاری از زمینه ها مانند امکان فازی (Zadeh 1978) ، معدن فازی (چن و همکاران 2012 ؛ هنگ و همکاران 2013) ، اندازه گیری فازی (لی 2005) ، پیش بینی رگرسیون فازی (چو و همکاران. 2013) ، و تصمیم فازی (وانگ و لی 2007 ؛ لیانگ 2010 ؛ وانگ و همکاران 2014). رویکرد مبتنی بر استدلال فازی برای تجزیه و تحلیل ریسک تحت یک محیط زبانی ارائه شد (دنگ ، سادیق ، جیانگ و تسفاماریام 2011). رویکردهای اندازه گیری مشابه فازی نیز توسعه یافته است (دنگ ، جیانگ و صدیق 2011). لی و همکاران.(2014) برای ارزیابی صنعت فتوولتائیک در تایوان ، یک مدل AHP/DEA فازی مرتبط با شاخص بهره وری Malmquist ایجاد کرد. لیائو و همکاران.(2015) برای بهبود مدیریت و موفقیت عملیاتی صنعت تدارکات شخص ثالث در تایوان ، یک مدل استقرار عملکرد کیفیت فازی را اتخاذ کرد.

هایکین (1999) نشان داد که شبکه عصبی یک سیستم پردازش اطلاعاتی توزیع شده به طور موازی است که دارای ویژگی های عملکرد خاصی است که شبیه یک شبکه عصبی بیولوژیکی مغز انسان است. یک شبکه عصبی با معماری آن مشخص می شود که الگوی اتصال بین گره ها ، روش آن برای تعیین وزن اتصال و عملکرد فعال سازی است.

او و همکاران.(2014) خاطرنشان کرد: متداول ترین ساختار شبکه عصبی ، معماری سلسله مراتبی Feed Forward است. یک شبکه عصبی اساسی از سه لایه شامل لایه ورودی ، لایه پنهان و لایه خروجی تشکیل شده است. ساختار شبکه عصبی از عناصر مختلفی نیز تشکیل شده است که به آن گره ها و مسیرهای اتصال نیز گفته می شود که آنها را پیوند می دهد. گره ها در حال پردازش عناصر شبکه هستند و به طور معمول به عنوان نورون شناخته می شوند. مدل شبکه عصبی مبتنی بر شبکه عصبی بیولوژیکی مغز انسان است. یک نورون یک سیگنال ورودی را دریافت می کند ، آن را پردازش می کند و یک سیگنال خروجی را به سایر نورونهای بهم پیوسته یا لایه خروجی منتقل می کند.

چانگ و همکاران.(2012) برای پیش بینی هزینه های تلفن های همراه ، یک سیستم ترکیبی را با استدلال مبتنی بر مورد و مدل ANN توسعه داد. سرانجام ، مدل پیشنهادی در این تحقیق با پنج مدل دیگر مقایسه می شود و مقدار mape مدل پیشنهادی کوچکترین است.

Yager (1992) مفهوم شبکه عصبی فازی و کاربرد آن را به سیستم کنترل منطق فازی معرفی کرد. شبکه عصبی فازی به طور گسترده ای برای مهندسی سیستم زیادی اعمال شده است. لین و لی (1996) یک شبکه عصبی فازی اساسی را معرفی کردند که شامل پنج لایه از جمله لایه زبانی ورودی ، لایه اصطلاح ورودی ، لایه قانون ، لایه اصطلاح خروجی و لایه زبانی خروجی است.

کوزاکا و همکاران.(1991) مدل شبکه عصبی فازی و کاربرد آن در سیستم پشتیبانی تصمیم گیری در مورد تجارت اوراق بهادار را ارائه داد. جانگ (1993) یک روش معماری و یادگیری را در زیر سیستم استنتاج فازی مبتنی بر شبکه سازگار (ANFIS) ایجاد کرد. معماری ANFIS برای مدل سازی توابع غیرخطی ، شناسایی اجزای غیرخطی بصورت آنلاین در یک سیستم کنترل و پیش بینی یک سری زمانی هرج و مرج ، همه نتایج قابل توجه را پیش بینی می کند.

مندل (1995) یک سیستم منطق فازی ارائه داد که عملکردهای خطی ، غیرخطی و شبکه های عصبی را ترکیب می کند. علی و همکاران.(2007) یک رویکرد شبکه عصبی فازی را برای بهبود ضعف پیش بینی سری زمانی معرفی کرد.

چن و همکاران.(2013) تکنیک جدید پیش بینی اشعه خورشیدی را بر اساس شبکه فازی و عصبی ارائه داد. نتایج نشان می دهد که تابش خورشیدی را می توان توسط شبکه عصبی فازی با دقت مناسب پیش بینی کرد. نتایج پیش بینی در مقایسه با سایر رویکردهای پیش بینی شده در گذشته دقیق تر است.

شبکه عصبی فازی همراه با شاخص های فنی

چارچوب شبکه عصبی فازی پیشنهادی همراه با شاخص های فنی در شکل 1 نشان داده شده است. یک شبکه عصبی سنتی ساده شامل سه لایه از جمله لایه ورودی ، لایه پنهان و لایه خروجی است. در شکل 1 ، خاطرنشان می شود که شاخص های فنی ابتدا به شبکه عصبی فازی سنتی اضافه می شوند. پنج مرحله در شبکه عصبی فازی پیشنهادی همراه با شاخص های فنی وجود دارد.

یک شبکه عصبی فازی همراه با شاخص های فنی و کاربرد آن در پیش بینی شاخص خشک بالتیک