چکیده:
در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در
بازار بورس تهران، به پیشبینی قیمت سهام و نیز ارائه مدل بهینه پرداخته
میشود.روشهای پیشبینی مورد استفاده در تحقیق، به سه دسته تقسیم شدهاند:روشهای
پیشبینی براساس مدلهای خطی(کوتاهمدت و بلندمدت)، روشهای پیشبینی براساس مدلهای
غیرخطی(شبکههای عصبی غیرخطی)و مدل شبکه عصبی با ساختار پیشنهادی.درهر مورد نتایج
به دست آمده رسم شدهاند.با استفاده از پیشپردازشهای اشاره شده، نشان داده میشود
که قیمت و بازده سهام(در هر 6 سهم مربوط به صنایع مختلف)از نگاشتهای پیچیده غیرخطی
و آشوبگرانه به وجود آمدهاند و اساسا استفاده از انواع مختلف روشهای خطی صحیح
نمیباشد.همچنین نشان داده میشود که استفاده از روشهای غیرخطی شبکههای عصبی به
خودیخود و به شکل متعارف بهبود قابل ملاحظهای را به دنبال ندارد.با ارائه پیشنهاد
ساختار جدید، میتوان قیمت و بازده را به خوبی در دو حالت پیشبینی روز بعد و
پیشبینی سی روز بعد تخمین زد.
In this paper، we deal with several time series of share prices and daily returns of different companies which are members of Tehran Stock Exchange. Three prediction methods are used for time series forecasting. The first method is based on the linear models (ARIMA) for short-term and long-term forecasting. The second method is based on the nonlinear neural networks model and the third method is a neural networks model with a special structure. It has been shown that the time series generator process of these companies are complex nonlinear mappings and the methods based on the various linear modelling strategies are unable to identify these dynamics. Also، it has been shown by using the conventional structure of the nonlinear neural networks that one can not obtain a satisfactory result for long term forecasting. Finally، it is shown that the proposed structrure provides accurate next step and the long term share prices and daily returns forecasting.
خلاصه ماشینی:
"k_2 صورت (1)-next price میگیرد؛در حالی که اگر شناسایی فرایند مولد سری زمانی صورت گرفته باشد، رفتار فرایند با وجود ورودیها و شرایط اولیه کاملا مشخص شده، در مرحله پیشبینی نیازی به اطلاعات واقعی نخواهد بود؛در واقع اگر از مدلهای به دست آمده برای پیشبینی با افق بیشتر از یک مرحله استفاده شود، برای k+t لازم است در مدلهای مربوطه تنها از اطلاعات تخمینی خروجی استفاده شود؛یعنی در طی فرایند رو به جلو پیشبینی، از خروجیهای مدل خطی(بجای مقادیر واقعی)استفاده شود.
2-5-پیشبینی قیمت و بازده روز بعد سهام شرکتهای شهد-ایران، ایران خودرو، کابل البرز، کیمیدارو، توسعه صنایع بهشهر و tepix، براساس مدلهای شبکههای عصبی غیرخطی(مدل سری-موازی) برای مدلکردن رفتار یک فرایند دینامیکی، شبکه عصبی با استفاده از مجموعهای از اطلاعات ورودی-خروجی آموزش داده میشود.
علیرغم عملکرد خوب مدلهای شبکه عصبی یک خروجی به دستآمده در پیشبینی قیمت(بازده)روز بعد و خطای نسبی کوچک این مدلها، حساسیت مدلها نسبت به حالتهای اولیه بسیار بالا بوده و اختلاف اندک موجود در مقادیر پیشبینی روز بعد و استفاده از آنها موجب خطای بسیار زیاد خواهد شد؛در واقع شبکه موجود، به خاطر پیچیدگی فرایند مولد سری زمانی قادر به بازسازی و احیاء دینامیک فرایند مربوطه نبوده و جهت پیشبینی درازمدت کارایی لازمه را ندارد.
علیرغم عملکرد خوب مدلهای شبکه عصبی یک خروجی به دست آمده در پیشبینی قیمت(بازده)روز بعد و خطای نسبی کوچک این مدلها، حساسیت مدلها نسبت به حالتهای اولیه بسیار بالابوده و اختلاف اندک موجود در مقادیر پیشبینی روز بعد و استفاده از آنها موجب خطای بسیار زیاد خواهد شد؛در واقع شبکههای عصبی متداول موجود، به خاطر پیچیدگی فرایند مولد سری زمانی قادر به بازسازی و احیاء دینامیک فرایند مربوطه نبوده و جهت پیشبینی درازمدت کارایی لازمه را ندارد."