چکیده:
دراین پژوهش با نگاهی آماری بر دادههای بورس تهران اقدام به شناسایی رفتار و فرآیند تولید دادههای بازده روزانه شاخص بورس تهران شده و پس از انجام آزمونهای متعدد، با شناسایی رفتار آماریاین دادهها و اظهارنظر راجع به کاراییاین بازار، اقدام به توسعه مدلی نوین برای پیشبینی آن شده است. لازم به ذکر است که ساختار مدل ارائه شده مطابق با رفتار آماریاین دادهها تدوین شده است. مدل ارائهشده متشکل از دو شبکه عصبی مصنوعی احتمال ترکیبی و حافظه کوتاهمدت و بلندمدت ماندگار میباشد که با در نظر گرفتن تعداد رژیمهای رفتاری متفاوت، حرکات روزانه بازده شاخص بورس تهران را در بازه زمانی آذر 1387 تا فروردین 1400 توضیح میدهد. آزمونهای متفاوت کارایی ضعیف بازار را رد کرده و ذات آشوبی را در رفتار بازده شاخص کل بورس تهران نشان میدهد. مدل ارائهشده دراین پژوهش توانسته است دقت بهتری نسبت به مدل بدون در نظر گرفتن رژیم کسب بنماید. آزمون دیابولد ماریانو معنیدار بودناین تفاوت دقت مدلها را تائید کرده و آزمون معکوس با در نظر گرفتن هزینه معاملاتی نشان داده است که استراتژیاین مدل با در نظر گرفتن چند رژیم، بازده بالاتری نسبت به مدل بدون رژیم و شاخص بازار کسب میکند.
This research has aimed at studying the characteristics and data generation process of TSE index daily return. Applying various tests showed that return data of TSE index follows a chaotic and clustered behavior. Furthermore, beside the condition of efficiency in this market, a novel prediction method is developed. The method introduced in this paper is formed from two consecutive neural networks; a mixture density neural network and a Long short-term memory neural network. It is worthy of note that the proposed method is associated with the inferred statistical structure from the data. The entire model is compiled in order to predict TSE index considering various number of regimes using daily data December 2008 up to April 2021. Results from various statistical tests rejected the weak form of efficiency and manifested a chaotic behavior in TSE index return. Furthermore, the developed prediction method gained higher accuracy than the same method without considering regimes. Results from Diebold-Mariano test significantly implied the differences of the accuracy between the models with regimes and without regimes. Finally, a back test by considering transaction cost showed that the strategy based on the predicted direction of the model with regimes gains higher return than market benchmark and the model without regimes.
خلاصه ماشینی:
مطالعه اي بر رفتار داده هاي بازده شاخص بورس تهران و ارائه روش پيش بيني تغيير رژيم مبتني بر شبکه هاي عصبي عميق امين امينيمهر*، سعيد باجلان **، هانيه حکمت *** 1 چکيده دراين پژوهش با نگاهي آماري بر داده هاي بورس تهران اقدام به شناسايي رفتار و فرآيند توليد داده هاي بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون هاي متعدد، با شناسايي رفتار آمارياين داده ها و اظهارنظر راجع به کارايياين بازار، اقدام به توسعه مدلي نوين براي پيش بيني آن شده است .
مدل ارائه شده متشکل از دو شبکه عصبي مصنوعي احتمال ترکيبي و حافظه کوتاه مدت و بلندمدت ماندگار ميباشد که با در نظر گرفتن تعداد رژيم هاي رفتاري متفاوت ، حرکات روزانه بازده شاخص بورس تهران را در بازه زماني آذر ١٣٨٧ تا فروردين ١٤٠٠ توضيح ميدهد.
دراين پژوهش ابتدا بر پيشينه مربوط به تاريخچه ي پيش بيني پذير بودن بازارهاي مالي و مدل هاي ارائه شده 1 End to End 2 Mixture Density Neural Network 3 Long short-term memory دراين حوزه پرداخته شده ، سپس مدل هاي استفاده شده دراين پژوهش همراه با فرمول ها و معماريهاي بکار رفته توضيح داده شده است .
بيلديرسي و ارسين اين بار مجددا در مقاليشان همان مدل مقاله 1 Recurrent Neural Network 2 Multi-Layer Perceptron 3 Artificial Intelligence 4 Grey سال ٢٠١٤ را بر روي داده هاي شاخص طلا در کشور ترکيه پياده سازي کردند و نتايج پژوهش آن ها نشان داد که مدل تغيير رژيم موجب افزايش دقت مدل شبکه عصبي ميشود [٧].