شکل ۴-۱ : قیمت های بسته شدن سهام بانک پارسیان و بانک کارآفرین
تشابه میان نزول و صعود در قیمت میان دو سری مشخص است. دقت کنید که قیمت سهام بانک کارآفرین با ۷۵ lag به تصویر کشیده شده است. در واقع در حالت عادی این شباهت وجود ندارد، بلکه با پیدا شدن lag بهینه و تکنیک های داده کاوی سری های زمانی این امر محقق می شود.
همچنین از بین سهام شرکت های موجود در صنعت شیمیایی نیز سهام پتروشیمی خارک بیشترین شباهت را با سهام صنایع شیمیایی فارس دارد. شکل ۴-۲ تغییرات قیمتی این دو سهم را در کنار هم نشان می دهد :

شکل ۴-۲ : قیمت های بسته شدن سهام پتروشیمی خارک و صنایع شیمیایی فارس
شباهت حرکات نزولی و صعودی میان قیمت های این دو سهم نیز کاملا مشهود است. دقت شود که در نمودار ۴-۲، قیمت سهام پتروشیمی خارک با ۳۱ lag به نمایش درآمده است. به این معنا که اگر بخواهیم با بهره گرفتن از روند حرکتی قیمت سهام پتروشیمی خارک، قیمت سهام فارس را پیش بینی کنیم؛ باید به قیمت های ۳۱ روز قبل سهام خاک رجوع کرد. به عبارت دیگر می توان روند کلی تغییرات قیمت سهام فارس را در ۳۱ روز آینده، با مطالعه روند تغییرات قیمت خارک در ۳۱ روز گذشته پیش بینی کرد.
در صنعت فلزات اساسی، بیشترین شباهت با سهام فولاد مبارکه اصفهان، مربوط به سهام فولاد خوزستان با ۲۲ lag بوده است. نمودار ۴-۳ نشان دهنده قیمت های این دو سهم در کنار یکدیگر است.

شکل ۴-۳ : قیمت های بسته شدن سهام فولاد مبارکه اصفهان و فولاد خوزستان
در پایان این مرحله، در هر پایگاه داده تنها ۸ اندیکاتور، قیمت های بالا و پایین سهم مشابه انتخاب شده و قیمت های بالا و پایین و بسته شدن و همچنین حجم معاملات سهم مورد نظر است. حال که در هر پایگاه، کاهش های سطری و ستونی مورد نظر داده کاوی انجام شد، به سراغ ساختن شبکه عصبی و پیش بینی قیمت سهام مورد نظر با بهره گرفتن از متغیرهای ورودی باقی مانده در پایگاه داده می رویم.

۴-۴- طراحی شبکه عصبی

در قسمت های قبل، گفته شد که تعداد ورودی های شبکه عصبی شامل ۸ اندیکاتور، دو قیمت بالا و پایین سری زمانی مشابه و دو قیمت بالا و پایین خود سهم مورد نظر است. بنابراین، در مجموع ۱۲ ورودی برای شبکه عصبی در نظر گرفته می شود. همچنین گفته شد که هدف، پیش بینی قیمت های بالا و پایین برای یک دوره جلوتر است. بنابراین، تعداد خروجی ها برابر ۲ خواهد بود. در فصل سه نیز تعداد لایه های پنهان یک لایه تعیین شد و در مورد دلایل آن نیز بحث شد. شبکه از نوع NARX تعیین شد که با یک lag، عمل می کند. به این معنا که ورودی های شبکه نسبت به خروجی ها یک lag دارند، دلیل این امر این است که قرار است با داده های یک دوره گذشته، قیمت یک دوره آینده پیش بینی گردد.

الگوریتم یادگیری نیز BPNN و توابع فعال سازی در لایه میانی سیگموید و در لایه های ابتدایی و انتهایی، خطی تعیین می شود. این موضوع نیز در فصل سوم توضیح داده شده است. با توجه به کامل شدن طراحی شبکه عصبی، شکل ۴-۴، شمای کلی شبکه عصبی ساخته شده توسط نرم افزار متلب را نشان می دهد.

شکل ۴-۴ : شبکه عصبی ساخته شده توسط نرم افزار متلب

۴-۵- اجرای شبکه عصبی و مقایسه نتایج

پس از ساخته شدن شبکه عصبی، نوبت به آموزش آن می رسد. برای این منظور از داده های موجود در هر یک از پایگاه های داده استفاده می گردد. جدول ۴-۱۱ نشان دهنده نحوه تخصیص داده های هر یک از پایگاه های داده به هر یک از شبکه های عصبی است.
جدول ۴-۱۱ : داده های تخصیص داده شده به شبکه عصبی در هر پایگاه