کد محصول T130
فایلWORD
۱۰۳ صفحه
۱۵۰۰۰ تومان
فهرست مطالب
فصل اول: بازار ارز چیست؟
۱-۱-مقدمه
۱-۲-ویژگیها
۱-۳- اصطلاحات بازار ارز
۱-۴- انواع دستورات فارکس
۱-۵-بروکر کیست
۱-۶-تحلیل در بازار فارکس
فصل دوم: مروری بر معاملات الگوریتمی
۲-۱-مقدمه
۲-۲-معامله¬ی الگوریتمی چیست
۲-۳-الگوریتمهای معاملاتی
۲-۴-خودکارسازی فرآیندهای معاملاتی
۲-۵- بررسی چند الگوریتم معاملاتی
فصل سوم : استفاده ازالگوریتم تکاملی درتولید استراتژی تجاری forex
۳-۱-مقدمه
۳-۲- پژوهشهای مرتبط
۳-۳-روش پیشنهاد شده
۳-۳-۱- معرفی انفرادی
۳-۳-۲- روش انتخاب
۳-۳-۳- عملگرهای ژنتیکی
۳-۳-۴- تابع سازگاری
۳-۴- تحقیقات روی پارامترهای EA
۳-۵-پژوهشهای بیشتر
فصل چهارم: استفاده از شبکه های عصبی برای پیش بینی قیمت های بازار سهام
۴-۱-مقدمه
۴-۲-شبکه عصبی مصنوعی
۴-۲-۱- بررسی تحقیقات علمی انجام شده در گذشته
۴-۲-۲-کاربرد شبکه های عصبی برای پیش بینی بازار
۴-۲-۳-آموزش شبکه عصبی
۴-۲-۴-آموزش شبکه
۴-۲-۵-سازمان شبکه
۴-۲-۶-عملکرد شبکه
۴-۳-بررسی موردی استفاده از شبکه های عصبی جهت انجام پیش بینی تخصصی و فنی فارکس
۴-۳-۱-شبکه های عصبی به عنوان ابزار پیش بینی برای نرخ ارز
۴-۳-۲-ساختمان یک مدل پیش بینی شبکه عصبی
۴-۳-۳- پیش بینی نتایج و بحث
۴-۳-۴- مقایسه با ARIMA
۴-۳-۴- مقایسه با ARIMA
۴-۳-۵- نتیجه گیری و تحقیق بیشتر
۴-۴- بهبود مدل سازی شبکه های عصبی در پیش بینی نرخ ارز، با بکارگیری شا خص های تلاطم
۴-۴-۱- مدل شبکه های عصبی در پیش بینی نرخ ارز با به کارگیری شاخص های تلاطم
۴-۴-۲- ارایه نتایج
۴-۴-۳- جمع بندی و نتیجه گیری
فصل پنجم: استفاده از الگوریتم فشرده سازی داده های جهانی برای انداره گیری روزانه بهره وری در بازار فارکس
۵-۱- مقدمه
۵-۲- ساختار VOM
۵-۳-آشنایی بیشتر با VOM
۵-۴- آزمایش های عددی
۵-۴-۱- داده های مورد استفاده قرار گرفته و رویه پیش پردازش
۵-۴-۲-آزمایش ۱ : تراکم بالا تصادفی
۵-۴-۳-آزمایش ۲ : قابلیت پیش بینی بالا تصادفی
۵-۴-۴-تست آماری کاپا
۵-۴-۵-تست قابلیت اطمینان پیش بینی مدل VOM
۵-۴-۶-تست یک استراتژی تجاری
۵-۵- محدودیت ها در پژوهش جاری
فصل ششم: استفاده از سری های زمانی و الگوریتم شبیه سازی تبرید برای پیش بینی بازار فارکس
۶-۱- مقدمه
۶-۲-مرور ادبیات
۶-۳- سریهای زمانی فازی
۶-۴- الگوریتم شبیه سازی تبرید
۶-۵- مدلسازی
۶-۵-۱-معرفی مدل
۶-۵-۲- اجرای مدل و مقایسه
۶-۶- تحلیل نتایج بازار ارز
فصل هفتم: استفاده از مباحث فازی در پیش بینی سریهای زمانی فارکس
۷-۱- مقدمه
۷-۲- ارائه یک روش نوین سری زمانی فازی برای پیش بینی نوسانات قیمت ارز
۷-۲-۱-پیش بینی سریهای زمانی براساس سریهای زمانی فازی وزن دار
۷-۲-۲-پیشبینی سریهای زمانی براساس الگوریتم ژنتیک
۷-۲-۳- روش پیشنهادی
۷-۳-مدل ARIMA فازی برای پیش بینی بازار ارز خارجی
۷-۳-۱-معرفی
۷-۳-۲- بررسی مدل ARIMA و مدل رگرسیون فازی
۷-۳-۳- تدوین مدل
۷-۴- مدلسازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی ومدل ARIMA فازی
۷-۴-۱- بررسی تجربی پیش بینی قیمت سهام
۷-۴-۲-طراحی مدل شبکه های عصبی فازی
۷-۴-۳- طراحی مدل ARIMA
۷-۴-۴-ارزیابی عملکرد پیش بینی
فصل هشتم: رگرسیون بردار پوششی Correlation-aided برای پیش بینی سریهای زمانی فارکس