بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدلهای خطی و غیرخطی
محورهای موضوعی : اقتصاد مالیکریم امامی 1 , قدرت الله امام وردی 2
1 - استادیار دانشکده مدیریت دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
2 - دانش آموخته دانشکده مدیریت دانشگاه آزاد اسلامی واحد علوم و تحقیقات
کلید واژه: شبکه عصبی مصنوعی, پیش بینی پذایری, آزمونهای غیر خطی, مدلهای سری زمانی خطی و غیر خطی, شاخص قیمت سهام,
چکیده مقاله :
سری های زمانی بسیار پیچیده مانند قیمتهای بازار سهام،معمولا تصادفی بوده ،در نتیجه تغییرات آنها غیر قابل پیش بینی فرض می شود.در بیشتر موارد در بررسی مشاهدات اماری مربوط به متغیرهای اقتصادی از جمله قیمت بازار سهام از آزمونهایی استفاده شده که در مواجهه با داده های آشوبی به اشتباه افتاده و انها را در داده های تصادفی تشخیص داده اند.در حالی که این داده ها در واقع،از مقام های معینی به و جود می ایند که با اختلالاتی جزیی همراه می باشد.به همین دلیل آزمونهای پیش بینی پذیری و غیر خطی برای بررسی و جود روند آشوبی معین و فرایندهای غیر خطی در سری زمانی شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زمانی 1379/8/1 تا 1386/7/2 مورد استفاده قرار داده ایم که از جمله می توان به آزمونهای BDS,HURST، تسلسل و بعد همبستگی اشاره نمود که نتایج به دست آمده نشان دهنده پیش بینی پذیری و وجود روند غیر خطی در داده های مورد بررسی بوده است.پس از حصول اطمینان از پیش بینی پذیری و وجود روند غیر خطی در داده های شاخص روزانه سهام،جهت ارائه مدل مناسب برای پیش بینی شاخص قیمت سهام،مدل های سری زمانی خطی (AR) و غیر خطی(GARCH)و شبکه عصبی مصنوعی(ANN) برآورد کرده،سپس،نتایج به دست امده از پیش بینی توسط این مدلها را با استفاده از معیارهای CDC,RMSE,MAE,MAPEو آماره U-THEILمورد مقایسه قرار داده ایم.نتایج به دست امده از مقایسه توان پیش بینی این مدلها بیانگر توان بالای پیش بینی در مدلهای شبکه عصبی مصنوعی نسبت به مدلهای دیگر است.
Since the highly complicated Time Series such as Stock Market Prices are usually stochastic, their changes are assumed to be unpredictable. Some tests which have been used to study the statistical observations related to the economical variables e.g. Stock Market Price, are often go wrong while encountering the chaotic data and recognize them as stochastic ones, though these data are actually generated from the deterministic systems which bear few tribulations. For this reason the predictable and non-linear tests such as HURST, BDS, Runs Test, and Correlation Dimension have been used to study the existence of deterministic chaotic trend and non-linear process in Time Series of Daily Stock Market Price Index of TEHRAN STOCK EXCHANGE from 23 rd October, 2000 to 24 th September, 2002. The result of the above mentioned tests shows the predictability and the existence of a non-linear process in the sample data. After the illustration of predictability and the non-linear process in daily stock index data, then the linear time series models (AR), non-linear (GARCH) and Artificial Neural Network (ANN) have been estimated to present a suitable model for predicting the Stock Price Index. Comparing the potential of predictability of these models by such criteria as: CDC, RMSE, MAE, MAPE and U-THEIL inequality coefficient, it has been revealed that there is the highest potential of predictability in Artificial Neural Network models than the other ones