ارائه مدلی برای پیش‌بینی سری زمانی قیمت های نویزدار سهام با استفاده از تحلیل طیف تکین، رگرسیون بردار پشتیبان بهمراه بهینه‌سازی ازدحام ذرات و مقایسه آن با عملکرد مدل های تبدیل موجک، شبکه عصبی، فرآیند میانگین متحرک خودرگرسیون و رگرسیون چندجمله‌ای

محورهای موضوعی : مهندسی مالی

شعبان محمدی ¹ (گروه حسابداری، دانشکده شهید رجایی، دانشگاه فنی و حرفه‌ای، خراسان رضوی، ایران)
هادی سعیدی ² (گروه حسابداری، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران)
عبدالحسین طالبی نجف آبادی ³ (گروه حسابداری،دانشکده علوم انسانی، دانشگاه بجنورد، بجنورد ، ایران)
قاسم الهی شیروان ⁴ (گروه اقتصاد، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران)

تاریخ دریافت : 1400/04/11 تاریخ پذیرش : 1400/05/07 تاریخ انتشار : 1400/10/01

کلید واژه: تبدیل موجک, طیف تکین, رگرسیون بردار پشتیبان, سری زمانی قیمت های نویزدار,

چکیده مقاله :

در این پژوهش مدلی برای تحلیل و پیش‌بینی سری زمانی مالی نویزدار قیمت سهام با استفاده از تحلیل طیف تکین و رگرسیون بردار پشتیبان همراه با بهینه‌سازی ازدحام ذرات ارائه شده است. بدین صورت که سری زمانی قیمت بسته ‌شده 140 سهم از شرکتهایی در صنایع مختلف در هر دقیقه در روز برای دوره‌ای از 28 اردیبهشت تا 11 خرداد برای سال های 1392 تا 1398 بصورت جداگانه از بورس اوراق بهادار تهران مورد بررسی قرار گرفت. همچنین عملکرد مدل پیشنهادی با عملکرد چهار مدل تبدیل موجک همراه با شبکه عصبی، فرآیند میانگین متحرک خود رگرسیون، رگرسیون چندجمله‌ای و مدل نایو مقایسه شد. از میانگین خطای مطلق، میانگین درصد خطای مطلق، و میانگین ریشه مربعات خطا به عنوان معیارهای اصلی عملکرد استفاده گردید. نتایج نشان می دهد که عملکرد مدل ارائه شده برای تحلیل و پیش‌بینی سری زمانی مالی نویزدار بر اساس میانگین خطای مطلق، میانگین درصد خطای مطلق و میانگین ریشه مربعات خطا، بهتر از مدل های دیگر(شامل: تبدیل موجک، میانگین متحرک خود رگرسیون، رگرسیون چندجمله‌ای، مدل نایو) است.

چکیده انگلیسی:

In this research, a model for analyzing and predicting the noisy financial time series of stock prices using singular spectrum analysis and support vector regression along with particle swarm optimization is presented. Thus, the time series of closed prices of 140 shares of companies in different industries per minute per day for the period from 28 May to 11 June for the years 1392 to 1398 was examined separately from the Tehran Stock Exchange. Also, the performance of the proposed model was compared with the performance of four wavelet transform models with neural network, moving average regression process, polynomial regression and naïve model. Mean absolute error, mean absolute error percentage, and mean square root of error were used as the main performance criteria. The results show that the performance of the proposed model for analyzing and predicting noisy financial time series based on mean absolute error, mean absolute error percentage and mean square root of error is better than other models (including: wavelet transform, moving average self-regression, regression Polynomial is the naïve model).