Skip to main content
فهرست مقالات

پیش بینی شاخص کل بازدهی سهام تهران با استفاده از مدل های خطی و غیر خطی

نویسنده:

علمی-پژوهشی/ISC (32 صفحه - از 245 تا 276)

کلید واژه های ماشینی : مدل، پیش­بینی، ARFIMA، بازده‌ی، شاخص، مقایسه آماری دقت پیش‌بینی مدل‌های، مدل شبکه عصبی، اقتصادی، GARCH، پیش‌بینی متغیرهای اقتصادی و مالی، اطلاعات، مدل ARFIMA، پیش‌بینی شاخص‌کل بازده‌ی سهام تهران، مدل ARIMA، متغیرهای، ANN، حافظه بلندمدت، پیش‌بینی شاخص، هفتگی، دقت پیش­بینی مدل شبکه عصبی، برآورد، فرآیند، مقایسه دقت پیش‌بینی مدل‌های مذکور، مدل AR، مدل شبکه عصبی مصنوعی، مدل شبکه عصبی بازده‌ی شاخص، پیش‌بینی شاخص بازده‌ی قیمت سهام، مدل GARCH، آماره، شاخص بازده‌ی هفتگی سهام برآورد

پیش‌بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران اقتصادی کشورها دارد. در این مقاله شاخص کل بازدهی سهام تهران (TEPIX) با استفاده از داده‌های روزانه و هفتگی این شاخص در بازه زمانی سال 1377تا 1382 و بکارگیری روش‌های مختلف پیش‌بینی مانند مدل‌های ARIMA، ARFIMA،‌‌ GARCH و شبکه عصبی (ANN) برآورد و پیش‌بینی شدند. مقایسه دقت پیش‌بینی مدل‌های مذکور از طریق معیار‌های پیش‌بینی مانند RMSE، MAE و U-Thiel نشان می‌دهد که مدل ANN در پیش‌بینی شاخص روزانه و هفتگی عملکرد بهتری نسبت به سایر مدل‌ها دارد، اما مقایسه آماری دقت پیش‌بینی مدل‌های مختلف با استفاده از آماره دیبلد- ماریانو، تفاوت معنی‌داری بین دقت پیش‌بینی مدل‌های مذکور را نشان نمی‌دهد. طبقه‌بندی JEL:C22, C45, G10 .

خلاصه ماشینی: "در این مقاله، به دنبال ارزیابی فرضیه فوق و به طور مشخص پاسخ به این سئوال هستیم که آیا مدل شبکه عصبی از قدرت پیش‌بینی بیشتری نسبت به مدل‌های ARIMA، GARCH و ARFIMA در پیش بینی TEPIX برخوردار است؟ در این تحقیق، از مدل‌های سری­زمانی تک متغیره برای پیش­بینی استفاده می­شود زیرا اولا طراحی و اجرای این مدل‌ها سریع و نسبتا ساده بوده و از نظر کیفیت پیش­بینی نیز توانایی مقایسه با مدل‌های پیش­بینی چند متغیره را دارند. 1. مدل‌های پیش‌بینی برای پیش‌بینی شاخص بازدهی قیمت سهام از مدل خطی ARIMA و مدل‌های غیرخطی GARCH، ARFIMA و شبکه عصبی (ANN) استفاده کرده‌ایم که در این قسمت مروری کوتاه بر آن‌ها خواهیم داشت. این روش که اقتباسی از فرآیند یادگیری مغز انسان (هوش طبیعی) است ابتدا در سایر رشته­های علمی مانند فیزیک، کامپیوتر و علوم مهندسی در زمینه­های شناخت الگو[20]، خوشه‌بندی[21]، مدلسازی، طبقه­‌بندی و کنترل بکار می­رفت، اما اقتصاددانان از اواخر دهه 1980 با استفاده از این مدل‌های موسوم به شبکه عصبی مصنوعی اقدام به شناسایی، تخمین، مدلسازی و پیش­بینی متغیرهای اقتصادی نمودند به طوریکه امروزه این مدل جایگاه مهمی در ادبیات پیش‌بینی متغیرهای اقتصادی به خود اختصاص داده است. مشیری و فروتن(1383) با استفاده از مدل‌های شبکه عصبی، ARIMA و GARCH قیمت­های آتی نفت را برای یک دوره زمانی 700 روزه پیش­بینی نموده و نتایج را با استفاده از معیارهای MSE، MAE و RMSE مقایسه نموده و نشان داده‌اند که مدل شبکه عصبی از قدرت پیش­بینی بیشتری نسبت به سایر مدل‌ها برخوردار است."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.