چکیده:
شاخص بازار سرمایه به عنوان دماسنج اقتصادی هر کشور است. از این رو پیشبینی این متغیرجهت دید کلی از وضعیت اقتصادی و اخذ استراتژیهای سرمایهگذاری، یکی از مسایل مهم به شمار میرود. از جمله روشهای پیشبینی پرکاربرد در سریهای زمانی مالی، شبکه عصبی است که با توجه به جامعیت این روش و عدم وجود برخی از پیشفرضها در خصوص دادهها، گسترش زیادی نسبت به روشهای آماری یافته است؛ اما وجود نویز در سریهای زمانی به خصوص در سریهای زمانی مالی و اقتصادی باعث کاهش دقت پیشبینی شبکه عصبی میشود. یکی از روشهای نوفهزدایی در سریهای زمانی، تبدیل موجک است. این پژوهش به مقایسه بین دقت پیشبینی شاخص کل بورس اوراق بهادار تهران در دو مدل شبکه عصبی با استفاده از دادههای نوفهزدایی شده با تبدیل موجک و شبکه عصبی با استفاده از دادههای اولیه از ابتدای سال 1385 تا 31 خرداد 1392 میپردازد. نتایج حاکی از بهبود معنادار در پیشبینی شبکه عصبی با استفاده از دادههای نوفهزدایی شده است.
Stock index as time series are non-stationary and highly noisy due to the fact that stock markets are affected by a variety of factors. It is regarded as one of the most challenging application of time series forecasting. Predicting stock index with the noisy data directly is usually subject to large errors. In this paper we compare forecasting the stock index via Wavelet De-noising-based Neural Network (WDNN) with forecasting stock index via single neural network. The daily Tehran Stock index from April 2006 to June 2013 are used to compare the application of the WDNN in predicting the stock index. Experimental results show that de-noising with wavelet transform outperforms the single neural network.
خلاصه ماشینی:
"این پژوهش به مقایسه بین دقت پیشبینی شاخص کل بورس اوراق بهادار تهران در دو مدل شبکه عصبی با استفاده از دادههای نوفهزدایی شده با تبدیل موجک و شبکه عصبی با استفاده از دادههای اولیه از ابتدای سال 1385 تا 31 خرداد 1392 میپردازد.
واژههای کلیدی: تبدیل موجک، شبکه عصبی، نوفهزدایی، آستانه مقدمه در کشورهایی که بازار سرمایه آنها توسعه یافته است و تعداد شرکتهای پذیرفته شده در آن به نسبت تعداد شرکتهای فعال در کشور زیاد است، بازار سرمایه آنها نمایشگر کاملی از وضعیت اقتصادی آن کشور است و شاخص بورس اوراق بهادار به عنوان یک نماگر اقتصادی به شمار میرود که با پیشبینی این نماگر میتوان نسبت به وضعیت و مدیریت نقدینگی کشور و همچنین اخذ استراتژیهای سرمایهگذاری مناسب اقدام نمود.
سوالی که در اینجا مطرح میگردد این Autoregressive integrated moving average Generalized autoregressive conditional heteroskedasticity است که آیا نوفهزدایی سبب افزایش دقت شبکه عصبی در پیشبینی شاخص سهام میگردد؟ برای پاسخ به این پرسش ابتدا باید نسبت به نوفهزدایی شاخص کل بورس اوراق بهادار اقدام نمود و نتایج را با پیشبینی شبکه عصبی با استفاده از دادههای اولیه مقایسه نمود.
همانطور که اشاره شد، سرمایهگذاران حقیقی و حقوقی، صندوقهای سرمایهگذاری، شرکتهای سبدگردان و شرکتهای مشاور سرمایهگذاری معمولا به دنبال پیشبینی شاخص کل و یا قیمت سهام شرکتها هستند، اما از آنجایی که معمولا این سریهای زمانی دارای نویز است پیشنهاد میگردد که با عنایت به تأیید فرضیه پژوهش، افرادی که به پیشبینی شاخص سهام و یا سایر متغیرهای مالی در قالب سری زمانی اقدام مینمایند، بهتر است پیش از استفاده از مدلهای پیشبینی، نسبت به نوفهزدایی دادهها اقدام نموده و سپس دادههای نوفهزدایی شده به عنوان ورودی به مدلهای پیشبینی انتقال یابد."