چکیده:
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."