مقالات و پایان نامه ها

دانلود پایان نامه در مورد ، شبکه، .، دستکاری، بورس، بیزی

اسفند ۲۱, ۱۳۹۶

می کنـد کـه مقـدارمعینی از همان کالا با مشخصات منطبق بر استاندارد بورس را در زمان معین و با قیمت مشخص به طرف قرارداد تحویل دهد و خریدار نیز تعهد خرید می دهد. هر طرفی که از انجام تعهد تخلـفکند، باید مبلغ معینی به طرف دیگر بپردازد (شرکت بورس کالای ایران، 1386).
پیشینه تجربی
مطالعات مختلفی در زمینه پیش بینی دستکاری قیمت، معاملات کلاه برداری1 و لایه بندی2 انجـامشده است. برخی از این مطالعات به شرح زیر است:
مادا و فردوسی (2006) برای تشخیص رفتار نامعمول معـاملاتی، الگـوریتم تشـخیص تقلـب بدون ناظر برای دادههای سری زمانی را ارائه کردند و با اعمال روش بـدون نـاظر تحلیـل گـروههمسان، عملکرد زیادی را از روش پیشنهادی خود گزارش کردند .
فرانک، هوزر و اسکرودر (2008) با هدف تحلیل رفتار معاملاتی نامنظم در بازار سهام، روشی را طراحی و اجرا کردند که در آن سه گـام اصـلی تشـکیل گـراف نمـایش دهنـده تجـارت بـین سرمایه گذاران و تاجران، تشکیل ماتریس همجواری هرمیتـی و تحلیـل نهـایی بـر اسـاس روش تحلیل سیستم ویژه3 وجود داشت. مزیت مهم این پـژوهش ، تشـخیص نـوع خاصـی از تقلـب در معاملات با دقت زیاد است.
چن و همکارانش در مقاله ای با عنـوان »تشـخیص داده هـای پـرت مجـاور«، الگـوریتمی رابر مبنای ترکیب روش های محاسبات گرانول و الگوریتم تشخیص داده های پرت، پیشنهاد کردنـد . این الگوریتم عملکرد بهتری نسبت به روشهای نزدیک ترین همسایه کا ـ ام4، الگوریتم تشخیص دادههای پرت مبتنی بر فاصله5 و شبکه های عصبی تکرار شونده،6 برای مجموعه داده های مختلط داشت (چن، میائو و ژانگ، 2010).
فلاح شمس و کردلوئی (1390) پژوهشی با عنوان »آزمون مدل های لاجیت و شبکه عصـبی مصنوعی برای پیش بینی دستکاری قیمت در بورس اوراق بهادار تهران« انجام دادند. آنها در این
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Spoof Trading
Layering
Eigen System
K- Nearest Neighbor
Distance Based Outlier Detection
Replicator Neural Network
پژوهش به بسط و توسعه روش های مبتنی بر ساختار های شبکه ای و اقتصادسنجی پرداختند و به تشخیص قیمت های دستکاری شده در بورس اوراق بهادار تهران دست یافتند.
در تحقیقی با عنوان »طراحی الگوی پـیش بینـی دسـتکاری قیمـت در بـورس اوراق بهـادار تهران« فلاح شمس، کردلوئی و رشنو (1391) به طبقه بندی و تفکیک گروه ها به منظور پیش بینی دستکاری قیمت ها در بورس اوراق بهادار پرداختند. روش پیشنهادی آنها بر مبنای تحلیل داده های غیر خطی با استفاده از روش آماری تجزیه و تحلیل مؤلفه های اصلی1 و طراحی مدلی با استفاده از مدل ماشین بردار پشتیبان در انجام پیش بینی بوده است .
صفری، حشمتی پور، مهرابـی و نصـابی (1391) در پژوهشـی بـه ارائـه مـدلی بـا اسـتفاده ازروش های ترکیبی نگاشت علیّ و شبکههای بیزی برای تعیین عوامل مؤثر بر به اشـتراک گـذاریاطلاعات در زنجیره تأمین شرکت ایران خودرو پرداختند .
کیم و سان (2012) با استفاده از روش های یادگیری بدون ناظر ـ تحلیل گروه همسان2، برای تشخیص الگوهای مشکوک دستکاری قیمت سهام از سیستم های خبره بهره بردند. پژوهشـگرانتوانستند به بهبود کارایی تحلیل گروه همسان از طریق بهکارگیری اوزان و به هنگـام آوری آ نهـا و تشخیص محلی3 معامله غیر معمول انجام گرفته از طریق الگوهای یاد گرفته به جای مقایسه با کـل جمعیت دست یابند .
وثوق، تقوی فرد و البرزی (1393) در مدلی بر مبنای شبکه عصبی مصنوعی، تراکنش ها را بـهانواع سالم و متقلب طبقه بندی کردند که عملکرد آنها روایی و پایایی زیادی داشت.
پانیامورتی و توپان (2013) پژوهشی را به منظور نظارت و بررسـی بـازار سـهام و مـروری بـربرنامه های کاربردی اجرا کردند. آنان پیاده سازی شبکه عصبی که تعیین و به روز رسـانی اوزان آنمبتنی بر الگوریتم ژنتیک بود را برای روش پژوهش انتخاب کردند. محققان توانستند به نظـارت
بر بازار بورس و طبقهبندی شواهد از نوع تراکنشی برای تشخیص فعالیتهای بالقوه فریبکارانه با استفاده از مدل هیبریدی دست یابند .
لی، اوم و پارک (2013) در مقالـهای بـا عنـوان »دسـتکاری مبتنـی بـر زیـر سـاختار: رفتـاراستراتژیک و معاملهگ ران فریبکار« به تعیین الگوهای عام و خاص معامله گران فریبکار با استفاده از روش های تحلیلی و مبتنی بر زیر ساختار پرداختند.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Principal Component Analysis
Peer Group Analysis
Local
گل محمدی، دایاز و زایان (2014) دستکاری بازار سهام را با استفاده از الگوریتمهای یادگیری با ناظری مانند ماشین های بردار پشتیبان تشخیص دادند. آنها تراکنشهای مشکوک به دسـتکاریدر بازار و عملکرد بهتر شبکه بیـزی سـاده نسـبت بـه سـایر روش هـا را در مقایسـه چنـد روش تشخیصی با یکدیگر گزارش کردند.
اولزوسکی روشی طراحی کرد که در آن ماتریس بهدست آمده از فعالیت های حسـاب کـاربری که چند بعدی است، بـه یـک بـردار تبـدیل مـی شـود؛ سـپس از نگاشـت خودسـازمانده1 بـرای تصویرسازی استفاده می کند و بعد از تصویرسازی با الگوریتم کلاسبندی مبتنـی بـر مقـدار حـدآستانه2، مورد مشکوک و کشف تقلب را تشخیص می دهد. روش ارائه شده به دلیـل ترکیـب روش تصویرسازی دادهها از طریقی مثل نگاشت خودسازمان ده با
الگوریتم کلاسهبندی، به نتایج بهتر و رضایت بخشی نسبت به سایر روشها دست یافته است (اولزوسکی، 2014).
یکی از روشهای کشف تقلب متکی بر پایگاه دانش مستخرج از دانش خبرگـان ، اسـتفاده از سیستمهای خبره فازی است؛ تقویفرد و جعفری (1394) در پـژوهش خـود از ایـن مـدل بـرای کشف تقلب در بیمه بدنه خودرو استفاده کردند .
تقوا، منصوری، فیضی (1395) در پژوهشی بـا رویکـرد پـردازش مـوازی و راه حـل نگاشـتکاهش، از نوعی شبکه عصبی مدل کوهنن برای کشف ناهنجاری در تراکنش هـای کـارت هـایبانکی استفاده کردند .
یائو، ژای، کائو و دینگ (2015) چارچوبی برای پیش بینی دستکاری قیمـت ارائـه کردنـد. در این چارچوب بهکمک مدلهای ایستا و پویا، به تعیین الگوهای غیرمعمول تراکنش های معاملاتی بر مبنای روابط بین تراکنش ها و بدون داشتن هیچ فرض اولیه، پرداخته میشود.
مدل مفهومی
فرایند تعیین مشتریان سالم یا متخلف بازار در هر روز، بسیار پیچیده و حسـاس اسـت. بنـابراین ، برای مشخص کردن قانونی یا غیرقـانونی بـودن عملیـات مشـتریان، عـلاوه بـر اجـرای سیسـتمپیشنهادی و تعیین خروجی آن، تأیید نهایی کارشناسان بازار ضروری است. وضعیت خاص بازار و تجربه کارشناسان در تعیین نتیجه دقیق تر کمک بسزایی میکند.
هر روزی که سفارش و معامله ای صورت می گیرد، به صورت لحظه ای در سیستم ثبت میشود و در بازه های زمانی ثابت، کوتاه مدت و متوالی، احتمال متخلـف بـودن هـر یـک از مشـتریان درسیستم طراحی شده، براساس چارچوب بیزی تعیین میشود. با وجود آنکه طبقه بند بیزی بر اسـاس
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Self-Organizing Map
Threshold Type
پارامترهای بسیاری تصمیم گیری می کند، برای اطمینان از نتیجه به دسـت آمـده ، مـوارد متعـددیهمچون تاریخچه فعالیت های اقتصادی فرد در بورس کالا ضروری به نظـر مـیرسـد . مـی تـوان روزانه حد آستانه ای را براساس سیاست های مختلف اتخاذ کرد تا در هر یک از بازه هـای زمـانی، چنانچه به تشخیص سیستم، میزان تخلف فرد حداقل برابر با مقـدار حـد آسـتانه باشـد، متخلـفشناخته شده و پیگیری های بیشتر به بخش های ویژه واگذار شود.
همانطور که از مطالعه آثار پژوهشی پیشین نمایان است، روش های گوناگونی در حل مسائل با موضوع مشابه، ارائه شده است. با بررسی ویژگی های مثبت و کاستیهای پژوهش های پیشین، در پژوهش حاضر نوعی سیستم هوشمند مبتنی بر طبقه بند شبکه بیزی طراحی و پیاده سازی شده است. خصوصیات این روش هوشمند و نوآوریهای این پژوهش عبارت اند از:
قابلیت ترکیب با تکنیک های آمار بیزی در ارائه دانش؛
تعیین روابط علیّ بین متغیرهای فضای مسئله؛
قابلیت استنتاج و تصمیم سازی در فضاهای غیر قطعی با استفاده از احتمالات؛
قابلیت بهروزرسانی همه بخش ها (ساختاری و پارامتری) مبتنی بر المان یادگیری؛
قابل استفاده بودن برای دادههای ناقص؛
قابلیت کاربرد در حوزه های متغیری کمی (گسسته و پیوسته) و کیفی؛
بیان نتایج طبقه بندی به صورت احتمالی و پرهیز از خطای تصمیم گیری.
روش شناسی پژوهش
این پژوهش از نظر گرد آوری اطلاعات و مدارک، کتابخانـه ای اسـت کـه بـه صـورت توصـیفی ـ تحلیلی بررسی شده است و با توجه به هدف پژوهش (بررسی و استفاده از عملکرد تکنیـک هـای شبکه بیزی برای پیشگیری از وقوع حرکت القایی در معاملات بازار قرارداد های آتی سکه بـورسکالای ایران)، تحقیق جاری، پژوهش توسعه ای ـ کاربردی بـه شـمار مـی رود. در ادامـه ، مراحـل اجرای پژوهش شرح داده می شود.
برچسب گذاری اولیه داده ها
برای برچسبگذاری دادهها، از روش خوشهبندی کا ـ میانگین برای شناسایی تراکنشهای سـالمیا متخلف مشتریان استفاده شده است. پس از تعیین تراکنش سالم یا متخلف و برچسـب گـذاریروی آنها، مقادیر به دست آمده به صورت متغیر جدید به مجموعه داده ها اضافه می شـود. شـکل 1 الگوریتم استفادهشده برای برچسبگذاری را نمایش می دهد.
Algorithm: K means clustering
Minimize distance between every data point and the correspondent centroid, by this