ارزیابی قدرت پیش بینی قیمت سهام با استفاده از مدل های خاکستری، شبکه های عصبی ایستا و پویا (مطالعه موردی: شرکتهای فعال در صنعت بیمه عضو بورس اوراق بهادار تهران)
محورهای موضوعی : آمارحنیف حیدری 1 , سید روح الله احمدی حاجی آبادی 2 , محبوبه فقیه محمدی جلالی 3
1 - دانشکده ریاضی و علوم کامپیوتر، گروه ریاضی کاربردی، دانشگاه دامغان، ایران
2 - دانشکده علوم انسانی، گروه اقتصاد، دانشگاه دامغان، ایران
3 - دانشکده ریاضی و علوم کامپیوتر، گروه ریاضی کاربردی، دانشگاه دامغان، ایران
کلید واژه: oil price, gold price, exchange rate, stock price of insurance companies, simple moving average,
چکیده مقاله :
پیشبینی قیمت سهام موضوعی مهم در هر دو دیدگاه نظری و کاربردی است. هدف محققان، توسعه روشهای پیشبینی به منظور پیشبینی دقیق‌تر است. سرمایه‌گذاران سعی در یافتن بهترین برنامه سرمایه‌گذاری دارند که این امر نیازمند پیشبینی آینده بازار می‌باشد. هدف این مقاله مقایسه روشهای شبکه عصبی مصنوعی (ANN)، شبکه عصبی پویا (NARX) و مدل خاکستری (GM) برای پیشبینی قیمت سهام می‌باشد. دادههای سری‌زمانی به صورت روزانه مربوط به شرکتهای بیمه‌ای عضو بازار بورس تهران می‌باشد که در بازه زمانی 15/7/1388 لغایت 17/7/1396 که در بازار بورس فعالیت داشته‌اند. متغیرهای میانگین متحرک ساده پنج روزه (MA-5)، میانگین متحرک ساده بیست روزه (MA-20)، میانگین متحرک همگرا واگرا (MACD)، قیمت طلا، قیمت نفت و نرخ ارز به عنوان متغیرهای مستقل در نظر گرفته شده‌اند. با توجه به متغیرهای مساله، از سه مدل خاکستری GM(1,4), GM(1,1) و GM(1,7) جهت پیشبینی استفاده شده است. نتایج نشان می‌دهد روشهای شبکه عصبی مصنوعی و شبکه عصبی پویا دارای کارایی یکسان می-باشند در حالیکه مدلهای خاکستری کارایی پایین‌تری دارند. شبیه‌سازی‌های عددی نشان می‌دهد که روشهای شبکه عصبی مصنوعی و شبکه عصبی پویا با میانگین خطا RSME=0.2 پیشبینی قابل قبولی ارایه می‌کنند.
Predicting stock price is an important issue in both theoretical and practical aspects. Researchers develop prediction methods to get more accurate forecasting and investors try to find best investing program which depends on future prediction of their markets. The aim of this paper is comparing artificial neural network (ANN), nonlinear autoregressive exogenous model (NARX) and grey model (GM) for predicting stock price. The stock prices of insurance companies in Tehran Stock Exchange are considered in the period 7-10-2009- 9-10-2017. The variables 5 days simple moving average (MA-5), 20 days simple moving average (MA-20), moving average convergence divergence (MACD), gold price, oil price and exchange rate are considered for the prediction. Based on these variables, the models GM(1,1), GM(1,4) and GM(1,7) are selected for the prediction. The results show that ANN and NARX are in the same performance level while grey models have lower performance. The numerical simulations demonstrate that ANN and NARX provide reasonably good prediction with the average error RSME=2.04.
]1[ گنابادی محمود و عبده تبریزی حسین، "تردید در اعتبار مدلهای مالی"، مجله حسابدار، شماره 115، 1375، صفحه 13-20.
]2[ فیلی زاده محمدرضا، کشاورز محمدحسین و هندالیانپور ایاد، "ارایه مدلی جهت پیشبینی شاخص بورس اوراق بهادار تهران با استفاده از ANFIS و رگرسیون فازی"، پژوهشهای نوین در ریاضی، در حال انتشار، 1398.
]3[ محمدی علی و زین الدینزاده سارا، "پیشبینی بازده سهام در بورس اوراق بهادار تهران با استفاده از مدل پیشبینی خاکستری"، پایان نامه کارشناسی ارشد، دانشگاه شیراز، 1393
[4] Huang, K.& Ch. Jane, "A hybrid model for stock market forecasting and portfolio selection based on ARX, grey system and RS theories", Expert systems with application, Vol.36, 2009, 5387-5392.
]5[ خسروی نژاد علی اکبر و شعبانی صدرپیشه مرجان، "ارزیابی مدلهای خطی و غیرخطی در پیشبینی شاخص قیمت سهام در بورس اوراق بهادار تهران"، فصلنامه علوم اقتصادی، شماره 27، 1393، صفحه 51-64.
]6[ سجادی حسین، رشیدی محسن و شیرعلی زاده محسن، "پیشبینی ارتباط بین بازده سهام و عدم تقارن اطلاعاتی با استفاده از شبکههای عصبی مصنوعی"، تحقیقات حسابداری و حسابرسی، شماره 24، 1393، صفحه 35-47.
]7[ مکیان نظام الدین و موسوی فاطمه سادات، "پیشبینی قیمت سهام شرکت فرآوردههای نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی: مطالعه موردی: قیمت سهام شرکت فرآورده های نفتی پارس"، فصلنامه مدلسازی اقتصادی، شماره 2، 1391، صفحه 105-121.
]8[ اعتمادی حسین، آذر عادل و بقائی وحید، "به کارگیری شبکههای عصبی در پیشبینی سودآوری شرکتها (شرکتهای عضو بورس اوراق بهادار تهران)"، دانش حسابداری، شماره 10، 1391، صفحه 51-70
]9[ نیکواقبال علی اکبر، علیخانی نادیا و نادری اسماعیل، "ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیشبینی قیمت سهام"، دانش مالی تحلیل اوراق بهادار، شماره 22، 1393، صفحه 77-91
]10[ راعی رضا و چاوشی کاظم، "پیشبینی بازده سهام در بورس اوراق بهادار تهران"، تحقیقات مالی، شماره 15، 1382، صفحه 97-120
]11[ صالحی مهدی، امانداد امید و فلاحی محمدعلی، "الگوسازی و پیشبینی قیمت سهام شرکتهای صنایع دارویی و شیمیایی پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوها و روشهای نوین"، فصلنامه حسابداری سلامت، شماره 3، 1394، صفحه 1-19
]12[ منجمی امیرحسین، ابزری مهدی و رعیتی علیرضا، "پیشبینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتمهای ژنتیک و مقایسه آن با شبکه عصبی مصنوعی"، فصلنامه اقتصاد مقداری، شماره 3، 1388، صفحه 1-26
]13[ فرنوش رحمان و حاجبی مهتاب، "برآورد نیمه‌پارامتری کالاهای استراتژیک (قیمت نفت اوپک)"، پژوهشهای نوین در ریاضی, شماره 8، 1395، صفحه 67-78
[14] Deng, J. "Introduction to Grey System Theory" The Journal of Grey System, Vol.1, 1989, 1-24.
[15] Liu, S., Yang, Y., Forrest, J. "Grey Data Analysis", Springer, Singapore, 2017.
[16] Liu, S., Yang, Y., Forrest, J. "A brief introduction to grey systems theory, Grey Systems: Theory and Application", Vol.2, 2012, 89-104.
[17] Lin, Y., Liu, S. "A historical introduction to grey systems theory", Paper presented at the IEEE International Conference on System, Man and Cybernetics, Vol.3, 2004, 2403-2408.
[18] Deng, J. "Forecasting and Decision Grey System", Huazhong University of Science and Technology Press, Wuhan, 2002.
[19] Faghih Mohammadi Jalali, M. Heidari, H "Forecasting palladium price using GM (1,1)", Global Analysis and Discrete Mathematics, Vol. 3, 2018, 1-9.
[19] Tien, T.L. "A research on the grey prediction model GM (1, n)", Mathematics and computation; Vol 218, 2012, 4903- 4916.
]21[ منهاج محمدباقر، "هوش محاسباتی: مبانی شبکههای عصبی"، جلد اول، تهران: انتشارات دانشگاه صنعتی امیرکبیر، 1379.
]22[ نادرشاهی محدثه، صفی صمغآبادی اعظم دخت و توکلی مقدم رضا، "آرایه روش مبتنی بر گرادیان مزدوج برای آموزش شبکه عصبی تصمیم"، پژوهشهای نوین در ریاضی, شماره 16، 1397، صفحه 79-92.
]23[ کیانی ندا، توحیدی قاسم، رضویان شبنم، شادنوش نصرت اله و صانعی مسعود، "پیشبینی هوشمند نقدینگی دستگاه‌های خودپرداز برمبنای تقاضای مشتریان"، پژوهشهای نوین در ریاضی. در حال انتشار، 1398.
]24[ مدحج دلال، صانعی مسعود، شجاع نقی، "استفاده از شبکه عصبی جهت تعیین انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیمگیرنده در مدل راسل"، پژوهشهای نوین در ریاضی, شماره 4، 1394، صفحه 71-80.
]25[ وب سایت رسمی سازمان بورس اوراق بهادار تهران http://tse.ir/archive.html#/cash
]26[ بانک دادههای اقتصادی و مالی، دفتر مدلسازی و مدیریت اطلاعات اقتصادی، وزارت امور اقتصادی و دارایی https://databank.mefa.ir/data