چکیده:
پیش بینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل در علوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر این مدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوال مطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در ( همین راستا، این مطالعه به مقایسه دقت عملکرد مدلهای شبکه عصبی ایستا و پویا در پیشبینی (تک متغیره 1 بازدهی شاخص قیمت و بازده نقدی بورس تهران میپردازد تا امکان انتخاب الگوی بهینه برای پیشبینی متغیر مذکور را میسر نماید. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازهی زمانی پنجم فروردین 1388 تا سیام آبان 1390 میباشد. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ دو مدل و نیز یک مدل شبکهی (MFNN) و شبکه عصبی چند لایه پیشخور (ANFIS) ایستای؛ شبکهی عصبی فازی هستند. این پژوهش عملکرد مدلهای مذکور را، بر اساس معیارهای (NNARX) عصبی پویای اتورگرسیو 3 مورد (RMSE) 2 و نیز معیار جذر میانگین مجذور خطا (MSE) محاسبه ی خطای پیشبینی میانگین مجذور خطا ارزیابی قرار داده است.
In this disquisition، has been paid to comparing the performance of static and dynamics neural network by purpose choosing appropriate model in predicting of Tehran Stock Exchange. The data used in this study consists of daily and interval of time 1388/1/5 to 1390/8/30، that Including 616 observation for in sample and out of sample forecasting. Approximately 90% of these observations (556 data) use to estimate coefficients of the model and the rest of them (60 data) use to forecast out of sample. Models are also employed in this research; two stationary neural network models such as fuzzy neural network (ANFIS) and artificial neural network (ANN) and a dynamic regression neural network model (NNARX). The results of this survey indicate that According to Criteria to calculate the forecast error، among Mean squared error (MSE) and root mean square error (RMSE)، Fuzzy neural network model of static، dynamic regression models، neural networks، and finally static artificial neural network models have lowest prediction error، Respectively.