چکیده:
پژوهش حاضر به بررسی سرایتپذیری شاخص کل بورس اوراق بهادار تهران از قیمت داراییهای موازی با بکارگیری شبکه عصبی مصنوعی پویا میپردازد. برای انجام محاسبات، سریزمانی قیمت سکه تمام بهار آزادی(نماینده بازار طلا)، قیمت هر متر مربع ساختمان مسکونی(نماینده بازار مسکن)، قیمت هر بشکه نفت خام ایران و نرخ دلار آمریکا در برابر ریال و نوسانات شرطی آنها به عنوان متغیرهای ورودی و شاخص کل بورس اوراق بهادار تهران و نوسان شرطی آن به عنوان متغیر هدف از سال 1387 تا 1397با تواتر روزانه مورد بررسی قرار میگیرد. شبکه عصبی غیرخطی پویا با چهار متغیر ورودی و یک متغیر هدف با لایهها و نرونهای مختلف با معیار میانگین مجذور خطا و ضریب تعیین مورد ارزیابی قرار گرفته و مدلها با دو لایه به ترتیب با 20 نرون و 10 نرون دارای حداقل میانگین مجذور خطا میباشند. نتایج پژوهش نشان میدهد بورس اوراق بهادار تهران حداکثر با دو وقفه زمانی از بازارهای رقیب سرایتپذیری داشته که نشاندهندهی کارایی ضعیف بازار اوراق بهادار تهران میباشد. نتایج نشان میدهند شبکههای عصبی پیشنهادی قدرت بالایی در پیشبینی شاخصکل بورس اوراق بهادار تهران و نوسانات آن از سال 1387 تا 1397 به عنوان پیشبینی درون نمونهای و سال 1398 به عنوان پیشبینی برون نمونهای دارند.
The present study examines the contagiousness of the Tehran Stock Exchange from the price of parallel assets using the dynamic neural network. To perform calculations, the time series of coin price variables as a representative of the gold market, the average price per square meter of residential building as a representative of the housing market. The price of each barrel of Iranian crude oil and the US dollar exchange rate and their conditional fluctuations as explanatory variables and the total index of Tehran Stock Exchange and its conditional fluctuation as the target variable from 1387 to 1397 are examined daily .The dynamic neural network is evaluated with four input variables and one target variable with different neurons with the MSE criteria, and the models with 20 neurons and 10 neurons have the lowest MSE, .Research results show that the stock exchange has a maximum of two lag from competing markets has become contagious, indicating the poor performance of the Tehran Stock Exchange. The results show that the proposed neural network patterns have a high power in predicting the index of Tehran Stock Exchange and its fluctuations from 1387 to 1397 as in-sample forecast and in 1398 as extra-sample forecast.
خلاصه ماشینی:
بنابراين ، سوالات اساسي که پژوهش حاضر به دنبال يافتن پاسخ آن ها ميباشد عبارتند از: ١)آيا پيش بيني شاخص کل بورس اوراق بهادار تهران و نوسانات شاخص با استفاده از الگوي شبکه عصبي مصنوعي پويا امکان پذير ميباشد يا خير؟ و ٢)وقفه زماني سرايت از بازار داراييهاي فيزيکي به بازار اوراق بهادار تهران چه مدت ميباشد؟ جهت يافتن پاسخ هاي مناسب ، مدل هاي مختلف شبکه عصبي پوياي غيرخطي ٥ طراحي شده و الگوي سرايت پذيري بورس اوراق بهادار تهران از بازار داراييهاي موازي ارائه ميگردد که در کمتر پژوهشي روابط بازار اوراق بهادار با بازارهاي موازي از اين روش استفاده گرديده است و در اين مقاله به عنوان دانش افزايي و ارائه الگويي بروز و جديد مورد تجزيه و تحليل واقع ميشود.
کامروافر(١٣٩٦) در پژوهشي به بررسي و شناخت متغيرهاي اصلي تاثيرگذار بر شاخص کل بورس اوراق بهادار تهران و مدل سازي آن با استفاده از شبکه عصبي مصنوعي پرداخته است .
٢) سرايت پذيري نوسانات شرطي شاخص کل بورس اوراق بهادار تهران از نوسانات قيمت داراييهاي فيزيکي(طلا، نفت ، مسکن و ارز) با استفاده از مدل شبکه عصبي مصنوعي پويا امکان پذير است .
28) Siddheshwar Chopra,et(2019)” Artificial Neural Networks Based Indian Stock Market Price Prediction: Before and After Demonetization” International Journal of Swarm Intelligence and Evolutionary Computation, Vol. 8 Iss. 1 No:174 29) Zhang, Guoqiang, Patuwo, B.
C. , (2005), "Evidence of Improvement in Neural Network Based Predictability of Stock Market Indexes through Co-movement Entries", Recent Advances in Applied & Biomedical Informatics and Computational Engineering in Systems Applications, Vol. 200282, PP.