چکیده:
باتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیشبینی بازار سهام اهمیت بسیاری دارد. بهدلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیشبینی مدلهای خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سریهای زمانی و شبکهعصبی مصنوعی[i]، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سالهای 83 تا 87 برآورد شده و سپس قدرت پیشبینی دو مدل در سالهای 87 تا 89 آزمون شده است. نتایج، بیانگر عدم اختلاف معنیدار دو مدل میباشد [i]. Artifitial Neural Network
خلاصه ماشینی:
"ابتدا با استفاده از مدل سریهای زمانی و شبکه عصبی مصنوعی ١، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال های ٨٣ تا ٨٧ برآورد شده و سپس قدرت پیش بینی دو مدل در سال های ٨٧ تا ٨٩ آزمون شده است .
مرزبان ، اکبریان و جواهری(١٣٨٣) در مقاله خود با نام "یک مقایسه بین مدل های اقتصادسنجی ساختاری، سری زمانی و شبکه عصبی برای پیش بینی نرخ ارز"، عملکرد پنج الگوی باکس - جنکینز(الگوی میانگین متحرک انباشته خودهمبسته )، گام تصادفی و سه تصریح مختلف براساس نظریه برابری قدرت خرید (PPP) را در مقایسه با شبکه های عصبی مصنوعی، برای پیش بینی نرخ ارز اسمی ماهانه مورد بررسی قرار داده اند.
برای پیش بینی شاخص قیمت سهام ، ابتدا از مدل سریهای زمانی تک متغیره ی ARIMA استفاده شده است ؛ اما پس از انجام آزمون های مربوط به پسماندها، به دلیل وجود واریانس ناهمسانی، مدل مناسب ، GARCH تشخیص داده شد.
٥- نتیجه گیری در این مقاله شاخص هفتگی قیمت سهام در بورس اوراق بهادار تهران در سال های ٨٧-٨٣ به روش سریهای زمانی تک متغیره و شبکه عصبی مصنوعی پیش بینی شده است .
با توجه به کارایی بالای مدل های مبتنی بر هوش مصنوعی در مقایسه با مدل های کلاسیک در بازارهای مالی، این امکان وجود دارد که علاوه بر استفاده از دو مدل سریهای زمانی و شبکه های عصبی مصنوعی، از مدل های منطق فازی مانند فاریما نیز برای پیش بینی شاخص قیمت سهام در بورس اوراق بهادار استفاده نمود و با مقایسه توان آزمون ها، بهترین مدل را انتخاب کرد."