پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی

محورهای موضوعی : مدیریت بازرگانی

بیتا دلنواز اصغری ¹ , میر فیض فلاح شمس ^{2 *}

1 - کارمند دانشگاه آزاد اسلامی واحدتبریز و دانش آموخته کارشناسی ارشد مدیریت مالی
2 - استادیارگروه مدیریت مالی ، واحد تهران مرکزی، ،دانشگاه آزاد اسلامی،تهران،ایران

تاریخ دریافت : 1387/05/06 تاریخ پذیرش : 1388/04/20 تاریخ انتشار : 1388/06/01

کلید واژه: پیش‌بینی, شبکه‌های عصبی, شاخص سهام, سری‌های زمانی,

چکیده مقاله :

اندازه و روند شاخص‌های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می‌باشد. جهت پیش‌بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول‌ترین آنها روشهای رگرسیون و مدل‌های 3ARIMA هستند اما این مدل‌ها در عمل جهت پیش‌بینی بعضی از سریها ناموفق بوده‌اند. در تحقیق حاضر برای پیش‌بینی شاخص کل بورس از مدل شبکه‌های عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در سه ساختار شبکه با الگوهای متفاوت ورودی استفاده گردید و نتایج مدل با نتایج مدل‌های رگرسیون چند متغیره و مدل‌های ARIMA مورد مقایسه قرار گرفت. نتایج تحقیق نشان داد که روش شبکه‌های عصبی خطای RMSE به میزان قابل توجهی کمتر از RMSE روشهای دیگر است و در بازار بورس اوراق بهادارتهران پیش‌بینی کوتاه مدت با فاصله زمانی کمتر، مناسب‌تر از پیش‌بینی بلند مدت با فاصله زمانی طولانی تر است. 3. autoregressive integrated moving average 4. Feed Forward Neural network 5. back propagation

چکیده انگلیسی:

The size and process of the stock price indices are among the most important factors affecting the decisions of the investors in the financial markets. In order to predict the market, different techniques have been used, the most common of which are regression methods and ARIMA models. However, these models have been unsuccessful in the practical prediction of some series. In the present research, in order to predict the total index of the stock, the Feed Forward Neural Network model with the law of back propagation was used in three networks with different input models, and the results of the model were compared to the result of multi – variable regression models and ARIMA models. The results indicated that the neural network method showed considerably fewer RMSE errors than RMSE errors in other methods, and that in Tehran stock market short – term prediction within a shorter interval is more suitable than long – term prediction within a longer interval.