چکیده:
چکیده شبکه عصبی با تاخیر زمانی، یک ابزار مدلسازی برگرفته از محاسبات هوشمند است که در کنار روشهای کلاسیک برای پیشبینی سریهای زمانی مالی بکار گرفته میشود. این مدل اغلب در مواردی که از سری زمانی دادههای فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده میشود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیشبینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیشبینیکننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه دادههای پیشین و پسین و معیار کمی مناسب برای ارزیابی عملکرد پیشبینیکننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان میدهد با روش پیشنهادی، میتوان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش مییابد. طبقهبندی JEL: C6, C8. کلیدواژهها: پیشبینی سری زمانی، شبکه عصبی با تاخیر زمانی، پنجره لغزان، معیار خطا پیشبینی.
This paper proposes application of sliding window technique to time-delay neural network (TDNN) for prediction of financial time series. Neural network is a data-driven approach، in which we have huge data samples but limited information about the model structure. In this paper، we measure performance of the prediction and apply sliding window technique to select the most favorable neural network structure، time-delay taps and the most desirable training data size that result in the best prediction performance. The method was evaluated by using real data of share price of four firms traded in London Stock Exchange. The results show remarkable decrease for the root mean squared error، mean absolute percentage error and the linear regression of TDNN output offset.
خلاصه ماشینی:
"این مقاله از چهار بخش تشکیل شده است ؛ بخش اول مقدمه و بخـش دوم معرفـی مـدل ریاضی شبکه عصبی بازگشتی برای پیش بینی سری زمانی و بخش سـوم مشـتمل بـر معرفـی روش پنجره لغزان و مراحل پیاده سازی است .
جدول (١) - معیارهای اندازه گیری خطای پیش بینی مورد استفاده در این مقاله محاسبه خطای پیش بینی Ft-Yt =et Root Mean Squared Error RMSE = ƩN e / t= t N مجذور متوسط مربعات خطا / Mean Absolute Percentage Error MAPE= Ʃn et × N t=Y متوسط قدرمطلق درصد خطا t Ʃn Y -Y F -F Y -F Linear Regression: SLOP= i=( t t)( t t) t R-vtalue, Slop, Offset Ʃin=(Yt -Yt) OFFSET = Ft - SLOP ×Yt t) t)( t R= i ( t ضریب همبستگی،رگشریسب یوون ثابت معادله خطی Ʃn Y Y F F - - = Ʃin=(Yt -Yt) ٣- طراحی مدل شبکه عصبی برای پیش بینی داده های سری زمانی ٣-١- مجموعه داده ها داده های مورد استفاده در این تحقیق مربوط به تغییرات قیمت و حجم معاملات سهام چهار بنگاه بزرگ اقتصادی است که در بازار بورس لندن (FTSE) خرید و فروش شده است .
در این مقاله انتخاب ساختار مناسب شبکه ، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمی مناسب برای ارزیابی عملکرد پیش بینیکننده ، مورد مطالعه قرار گرفته است ."