پیش‌بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH
محورهای موضوعی : اقتصاد مالیامید فرمان آرا 1 , وحید فرمان آرا 2
1 - دانشجوی دوره دکتری اقتصاد دانشگاه تهران
2 - کارشناس ارشد اقتصاد دانشگاه ازاد اسلامی واحد علوم و تحقیقات
کلید واژه: پیش‌بینی, شاخص قیمت سهام, متغیرهای کلان, شبکه‌های عصبی مصنوعی, الگوریتم GMDH. طبقه بندی JEL: E3, C6,
چکیده مقاله :
اقتصاد هر کشور از بخش¬های مختلفی تشکیل شده که روابط بین این بخش¬ها، سمت و سوی اقتصاد آن کشور را مشخص می¬کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل¬دهنده بازارهای مالی بوده و در واقع، شریان¬های اصلی یک اقتصاد محسوب می¬شوند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان¬هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه¬گذاری¬های شکل گرفته در بازار سرمایه ایفا می¬کند. هدف اصلی این پژوهش پیش¬بینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر شناخته‌شده‌ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه¬ عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش‌بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون است. بدین ترتیب، می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و در نهایت، مدل بهینه برای پیش‌بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون براین، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه 0.37درصد، ماهانه 0.35درصد و برای فصلی 2.04درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز، نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای مؤثر بوده و هیچکدام از مدل حذف نشدند
The economy of every country is composed of different parts, the relationship among which determines the economics direction of that country. The capital market together with money market make up the financial market as the fundamental basics of an economy. Their operation has significant influence on the growth and development of the economy. In cases there is no constructive relationship between the financial market and other parts of the economy, economic performance might be subject to distortions. The stock market as a fundamental basic of the financial market has a crucial role in facilitation of investments in the capital market. Given the importance of expectations in different economic fields, the main purpose of this study is to project behavior of the Tehran stock exchange price index. Therefore, after a review of dominant economic theories, we use a new method, artificial neural network GMDH, to forecast the impact of macroeconomic variable on the Tehran stock exchange price index. The GMDH Algorithm is a nonlinear model to anticipate complex systematic relationships between variables of the model. The special feature of this deductive algorithm is recognition and screening of the most effective variable to estimate the model with training samples and omit the non-significant ones the simulation process with testing samples. So, we can solve the model via iterative methods to minimize the typical standard Error like RMSE, MAPE, and so on.
1. آرمان، بهمن و پوریان، حیدر.(1379). نقش بورس اوراق بهادار در برنامه پنج ساله دوم توسعه اقتصادی، اجتماعی، فرهنگی در ایران. چاپ دوم، انتشارات مؤسسه تحقیقات پولی و بانکی، پژوهشکده بانک مرکزی جمهوری اسلامی ایران.
2. برانسون، ویلیام اچ. (1384). تئوری و سیاستهای اقتصاد کلان. ترجمه عباس شاکری. چاپ هشتم.
3. جعفری صمیمی، احمد و یحیی زاده فر، محمود. (1378) .بررسی رابطه علی بین تورم، بازده سهام و شاخص قیمت سهام در ایران: یک تحلیل تجربی (1375- 1370). مدرس، شماره یک.
4. ختایی، محمود. (بهار 1378). گسترش بازارهای مالی و رشد اقتصادی. انتشارات مؤسسه تحقیقات پولی و بانکی. بانک مرکزی جمهوری اسلامی ایران.
5. خاکی صدیق، علی. (پائیز 1383). ارزیابی روش‌های پیش بینی قیمت سهام و ارائه مدل بهینه. پژوهشکده پولی و بانکی بانک مرکزی جمهوری اسلامی ایران.
6. سجادی، سید حسین وهمکاران. (1387). بررسی رابطه بین متغیر های کلان و شاخص قیمت کل. فصلنامه پژوهش های اقتصادی ایران ، سال دوازدهم، شماره 36.
7. عباسیان ، عزت اله و همکاران.( 1387). اثر متغیر های کلان اقتصادی بر شاخص کل بورس اوراق بهادار تهران. فصلنامه پژوهش های اقتصاد ایران ، سال دوازدهم، شماره 36.
8. قالیباف اصل، حسن. (1381). بررسی اثر نرخ ارز بر روی ارزش شرکت در ایران. پایان نامه کارشناسی ارشد مدیریت، دانشکده مدیریت دانشگاه تهران.
9. کدخدایی، حسین. (1378). مبانی مقررات بازار سرمایه. بیمه مرکزی یاران.
10. کریم زاده، مصطفی. (بهار 1385). بررسی رابطه بلند مدت شاخص قیمت سهام بورس با متغیرهای کلان پولی با استفاده از روش همجمعی در اقتصاد ایران. فصلنامه پژوهش های اقتصادی ایران. سال هشتم، شماره 26.
11. محمدی، تیمور؛ تقوی، مهدی و برزنده، محمد. (1378) . بررسی متغیرهای اقتصادی اثرگذار بر شاخص قیمت سهام بورس اوراق بهادار تهران مجله برنامه و بوجه، شماره 40 و 41.
12. هال، جان. (1384). مبانی مهندسی مالی و مدیریت ریسک. ترجمه سجاد سیاح و علی صالح آبادی، شرکت کارگزاری مفید.
13. Adrangi, B., Chatrath, A., & Z. Sanvicente, A. (2000) .Inflation, Output, and Stock Prices: Evidence Brazil. FINACELAB WORKING PAPER
14. Anastasakis, L., & Mort, N. (2001). The Development of Self-organization Techniques in Modeling: A Review of the Group Methods of Data Handling (GMDH). Department of Automatic Control & Systems Engineering The University of Sheffield, Mappin St, Sheffield, No. 813.
15. Azem, A.N., & Gerhard, H.(2002). Stock Market and Macroeconomic: Evidence Stock Exchange of Indonesia.
16. Bahmani-Oskooee, M., & Sohrabian, A.(1992). Stock Price and the Effective Exchange Rate of the Dollar. Applied Economics, 24(4), pp.459-464.
17. Branson, W.H. (1983). Macroeconomic Determinants of Real Exchange Risk. in Managing Foreign Exchange Risk, R.J.Herring ed., Cambridge: Cambridge University Press.
18. Dornbusch, R., & Fischer, S.(1980). Exchange Rates and the Current Account. American Economic Review, 70(5), pp. 960-971.
19. Fama, E.F.( 1991). Efficient Capital Market: II. the Journal of Finance, 46.
20. Fama, E. F., & Gibbons, M.R.(1980). Inflation, Real Returns, and Capital Investment. Working Paper No.41, Center for Research in Security Prices, Graduate School of Business, University of Chicago.
21. Farlow, S. J.(1984). The GMDH Algorithm of Ivakhnenko. The American Statistician, vol.35, No.4 , pp.210-215.
22. Faugere, Ch., & Erland, J.V.(2003 ). A General of Stock Market Valuation and Return .
23. Feldstein, M.(1998). Inflation and the Stock Market. American Economic Review.
24. Fisher, I. (1930). the Theory of Interest. Ed. Macmillan: New York.
25. Frankel, J.A.(1983). Monetary and Portfolio Balance Models of Exchange Rate Determination. in Economic Interdependence and Flexible Exchange Rates, J.S. Bhandari and B.H. Putnam eds., Cambridge: MIT Press.
26. Gavin, M.(1989). The Stock Market and Exchange Rate Dynamics. Journal of International Money and Finance, 8(2), pp.181-200.
27. Goleusov, I.V., & Kondrasheva, S.A.(1987). Comparative analysis of the interdependence structure of the macro-economic indices of COMECON member-countries by the group method of data handling. Soviet Journal of Automation and information Sciences c/c of Avtomatika, vol.20, No.3, pp.39-43.
28. Lucas, R.E.(1973). Some International Evidence on Output – Inflation Trade – off. American Economic Review, 63, PP. 326 -334.
29. Madala, H.R., & Ivakhnenko, A.G.Inductive learning algorithms for complex system modeling.
30. McGee, R., & Stasiak, R.(1985 ). Does Anticipated Monetary Policy Matter? Another took. Journal of Money, Credit, and Banking, 17, PP.16-27.
31. Mehrara, M.(2007). the Relationship between Stock Market and Macroeconomic Variables: A Case Study for Iran. Iranian Economic Review, vol.12, No.18. pp.51-62.
32. Mookerjee, R., & Yu, Q.(1997). Macroeconomic Variable and Stock Prices in a Small Open Economy: The Case of Singapore. Pacific – Basin Finance Journal, 5.
33. Muhammad, N., & Rasheed, A.(2001). Stock Prices and Exchange Rates: Are they Related? Evidence South Asian countries. Karachi University, Karachi-Pakistan.
34. Muradoglu, Y.G., & Metin, k. (1996). Efficiency of the Turkish stock Exchange with Respect to Monetary Variables: A Cointegration Analysis. European Journal Operational Research.
35. O'connor, M., & Madden, M.G.(2006 ). A Neural Network Approach to Predicting Stock Exchange Movements Using External Factors. National University of Ireland, Galway, University Road, Galway, Ireland, pp.371-378.
36. Pesaran, M.H., & Shin, Y.(1999). An Autoregressive Distributed Lag Modeling Approach to Cointegration Analysis. in (Ed) S. Strom, Econometrics and Economic Theory in the 20th Century: the Ragnar Frisch Centennial Symposium, Chapter 11, Cambridge University Press, Cambridge.
37. Phylaktis, k., & Ravazzolo, F.( 2005). Stock Prices and Exchange Rate Dynamic. Journal of International Money and Finance, 24, PP.1031 -1053.
38. Ram, R., & Spencer, D.E.( 1983). Stock Return, Real Activity, Inflation and Money: Comment. American Economic Review, 71, pp.463-470.
39. Rosenblatt, A.B., & Silis, Ya.Algorithms for Construction of Decision Function in the Form of a Complex Logic Proposition. Soviet Automatic Control, 9, pp. 1-5.
40. Sargent, T. J., & Wallace, N.( 1975). Rational Expectations and the theory of Economic Policy. Journal of Monetary Economic, 2, PP.169 – 184