Abstract:
بسیاری از پژوهش ها در علم مالی بر پیش بینی دقیق ها با در نظر داشتن ریسک سرمایه گذاری تمرکز داشته اند. بازار سهام نهاد جمع آوری پس اندازها و نقدینگی بخش خصوصی به منظور تأمین مالی پروژه های سرمایه گذاری بلندمدت است. شاخص های این بازار تحت تأثیر عوامل متعددی قرار دارند که یکی از مهم ترین این عوامل متغیرهای اقتصادی می باشند. با توجه به نقش کلیدی متغیرهای کلان اقتصادی و تأثیر آن بر شاخص بورس اوراق باردار با توجه به رفتار غیرخطی شاخص کل بورس اوراق بهادار، عملاً سرمایهگذاران، مدیران مالی و فعالان اقتصادی را در شرایط ریسک کلان قرار خواهد داد، لذا پیشبینی حرکت شاخص که یکی از بحثبرانگیزترین موضوعات در امور مالی است، بسیار حائز اهمیت است. پژوهش حاضر به مقایسه مدلهای شبکه عصبی و سری زمانی در تأثیر متغیرهای کلان بر شاخص بورس اوراق بهادار تهران میپردازد. بدین جهت مدل شبکه عصبی پروسپترونی چندلایه و رگرسیونی مدل VAR مورد بررسی قرارگرفتهاند. شاخص بازار بورس تهران در بازه زمانی فروردین 1392 تا اسفند 1398 بهعنوان جامعه آماری انتخابشده است. بهمنظور داشتن معیاری برای مقایسه از چهار معیار : خطای ریشه میانگین مربع خطا، میانگین قدر مطلق درصد خطا، میانگین قدر مطلق خطا و ضریب تعیین استفادهشده است. بررسی کارایی شبکه طراحیشده عصبی و رگرسیون معیارهای خطای پیشبینی نشان داد که مدل شبکه عصبی ازلحاظ معیار خطا نسبت به مدل سری VAR برتری دارد.
Many studies in financial science have focused on accurate forecasting with respect to investment risk. The stock market is an institution that collects savings and liquidity from the private sector to finance long-term investment projects. The indicators of this market are influenced by several factors, one of the most important of which is economic variables. Considering the key role of macroeconomic variables and its effect on the stock exchange index, due to the nonlinear and non-parametric behavior of the stock exchange index, investors, financial managers and economic actors will be placed in macro risk conditions. It is one of the most controversial issues in finance, it is very important. The present study compares neural network models and time series on the effect of macro variables on the Tehran Stock Exchange index. Therefore, the multilayer and regression Prostron neural network models of the VAR model have been investigated. Tehran Stock Exchange Index has been selected as a statistical population in the period from the beginning of April 2013 to the end of March 2017. In order to have a criterion for comparing the four criteria of root error, mean square error, mean absolute value of error percentage, average absolute value of error and coefficient of determination have been used. Examination of the designed neural network performance and regression of prediction error criteria showed that the neural network model is superior to the VAR series model in terms of error criteria.
Machine summary:
بررسي تأثير متغيرهاي کلان اقتصادي بر شاخص بورس اوراق بهادار تهران : مقايسه مدل هاي شبکه عصبي و رگرسيوني VAR 1 محمدياسرکربلايي ميرزايي تاريخ دريافت : ١٤٠٠/١٠/٢٠ سيد مجتبي ميرلوحي (نويسنده مسئول )٢ تاريخ پذيرش :١٤٠١/٠٢/١٣ مريم خادمي ٣ چکيده بسياري از پژوهش ها در علم مالي بر پيش بيني دقيق ها با در نظر داشتن ريسک سرمايه گذاري تمرکز داشته اند.
مسئله تحقيق را اين شکل بيان ميشود که آيا استفاده از شبکه عصبي مصنوعي مي توان با دقت قابل قبولي شاخص کل را پيش بيني کرد يا با مدل هاي کلاسيک رگرسيون ؟ ٢-مباني نظري روشهاي کلاسيک رگرسيون براي مدل بندي روابط بين متغيرها داراي تعدادي مفروضات ميباشند مانند مشخص کردن توزيع 1474 متغيرهاي پاسخ ، خطي بودن رابطه پيشنهادي در برخي مدل ها، يکسان بودن واريانس خطاها و ديگر محدوديت هاي روشهاي کلاسيک که هنگام استفاده عملي از اين روشها، اگر داده هاي واقعي شرايط مفروض مدل را نداشته باشند، استفاده از اين روش ها ممکن است موجب خطا و گمراهي محقق گردد.
تعدادگره هاي لايه مياني از اين جهت بسيار مهم است که اگر تعداد آنها کم باشد شبکه براي حل مسائل غير خطي و پيچيده با کمبود منابع يادگيري مواجه مي شود و اگر زياد باشد باعث ايجاد دو مشکل خواهد شد، اول آنکه زمان آموزش شبکه افزايش مي يابد و دوم آنکه ممکن است شبکه خطاهاي موجود در داده ها را نيز ياد بگيرد و در پيش بيني ضعيف عمل کند (مومني و آذر، ١٣٨٦) در اين مطالعه ابتدا با ورود داده ها مربوط به متغيرهاي کلان اقتصادي و شاخص بورس امکان وميزان همبستگي بين متغيروابسته ورودي و متغيرهاي مستقل مورد بررسي قرار گرفت ، آناليز حساسيت براي هر کدام از متغيرهاي ورودي بر اساس مدل آموزش ديده بررسي گرديد.