۲-۵- روش های پیشبینی اقتصادی ۲۸
۲-۵-۱- فرایند خود رگرسیون (AR ) 29
۲-۵-۲- فرایند میانگین متحرک (MA) 29
۲-۵-۳- فرایند خود رگرسیون میانگین متحرک (ARIMA) 30
۲-۵-۴- فرایند خودرگرسیون میانگین متحرک انباشته (ARIMA) 30
۲-۵-۵- نحوه مدلسازی ARIMA 31
۲-۶- بورس اوراق بهادار وتاریخچه آن ۳۲
۲-۶-۱- سابقه تاریخی بورس اوراق بهادار تهران ۳۳
۲-۷- آشنایی با شاخص های قیمت سهام ۳۵
۲-۷-۱- فواید شاخص ها ۳۵
۲-۷-۲- شاخص قیمت سهام ۳۵
۲-۷-۳- عوامل موثر بر شاخص سهام ۳۶
۲-۷-۴- روش های رایج محاسبه شاخص ۳۸
۲-۷-۵- تاریخچه وشیوه محاسبه شاخص های معتبر جهانی ( بت شکن ، ۱۳۸۳) ۴۰
۲-۷-۶- شاخص ها قیمت سهام در بورس اوراق بهادار تهران ۴۳
۲-۸- شبکه های عصبی مصنوعی ۴۸
۲-۸-۱- شبکه های عصبی بیولوژیک ۴۸
۲-۸-۲- مدل سازی نرون تنها ۴۹
۲-۸-۳- شبکه های عصبی چند لایه پیشخور ۵۲
۲-۸-۴- شبکه های پرسپترون چند لایه ۵۴
۲-۸-۵- الگوریتم پس از انتشار BP 55
۲-۹- پیشینه تحقیق ۵۸
فصل ۳: روش تحقیق ۷۰
۳-۱- مقدمه ۷۱
۳-۲- نحوه جمع آوری وآماده سازی داده ها ۷۲
۳-۳- توپولوژی وساختار شبکه عصبی ۷۳
۳-۴- آموزش شبکه عصبی ۷۳
۳-۵- خروجی شبکه ۷۴
۳-۶- نحوه مدلسازی ARIMA 74
۳-۷- مدل رگرسیون چند متغیره ۷۵
۳-۸- معیار ارزیابی وآزمون نتایج ۷۵
۳-۹- خلاصه فصل ۷۶
فصل ۴: تجزیه و تحلیل یافته های تحقیق ۷۷
۴-۱- مقدمه: ۷۸
۴-۲- برآورد الگوی مناسب ARIMA برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران ۷۸

۴-۲-۱- بررسی مانایی و نامانایی سری زمانی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران ۷۹
۴-۳- برآورد الگوی مناسب شبکه عصبی برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران ۹۳
۴-۴- برآورد الگوی مدل رگرسیونی مناسب برای پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران ۹۶
۴-۵- آزمون فرضیه ها ۹۸
۴-۶- خلاصه ۹۹
فصل ۵: نتیجه گیری و پیشنهادات ۱۰۰
۵-۱- مقدمه ۱۰۱
۵-۲- نتیجه گیری و پیشنهادات ۱۰۱
۵-۲-۱- نتیجه گیری ۱۰۱
۵-۲-۲- پیشنهادات ۱۰۳
۵-۳- محدودیتهای تحقیق ۱۰۴
۵-۴- خلاصه ۱۰۵
فهرست منابع و مأخذ ………………………………………………………………………………………………….۱۰۶
پیوست ۱: شبکه های عصبی مصنوعی ……………………………………………………………………………۱۰۹
چکیده انگلیسی …………………………………………………………………………………………………………..۱۲۷
فهرست اشکال
عنوان صفحه
‏۲‑۱- عوامل موثر بر قیمت سهام ۳۷
‏۲‑۲-یک نرون بیولوژیکی ساده ۴۹