پیش بینی شاخص کل بورس اوراق بهادارتهران با استفاده از روش تحلیل طیفی تکین و الگوریتم ژنتیک
محورهای موضوعی : مهندسی مالی
زهرا حسن دوست
1
(گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
حمیدرضا وکیلی فرد
2
(گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
کلید واژه: نویز, شاخص کل بازار, طول پنجره, نقطه‌ی برش, سیگنال,
چکیده مقاله :
نوسانات در بازارهای مالی با سیگنال و نویز همراه می‌باشد. در این مقاله علاوه بر تجزیه‌وتحلیل طیفی تکین، برای پیدا کردن طول پنجره و نقطه برش بهینه از الگوریتم ژنتیک استفاده‌شده است که تابع هدف آن، یافتن حداقل مقدار برای تابع همبستگی میان مؤلفه‌های سیگنال و نویز می‌باشد. بدین خاطر ابتدا دادهای ده‌ساله شاخص کل بورس اوراق بهادار تهران طی سال‌های 1388 تا 1397 با استفاده از روش تجزیه طیفی تکین در سه پیاده‌سازی شد. سپس در قالب یک مسئله بهینه‌سازی توسط الگوریتم ژنتیک حل شد. نتایج حاصل از فرضیه اول نشان داد که تفکیک‌پذیری سیگنال و نویز درروش تحلیل طیفی تکین امکان‌پذیر می‌باشد. هم‌چنین با توجه به نتایج حاصل در تحقیق، تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک با داشتن خطای قدر مطلق میانگین کمتر، بهبود در دقت پیش‌بینی را نشان داد. درنهایت نیز با توجه به یافتن کمترین همبستگی وزنی بین مؤلفه‌های سری زمانی جهت تفکیک سیگنال و نویز (یافتن نقطه‌ی برش) و سپس با دست آوردن طول پنجره‌ی بهینه در تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک، گویای این واقعیت است که تغییر در مقدار پارامترها می‌تواند در بهبود عملکرد روش تحلیل طیفی مفید واقع شود.
Fluctuations in the financial markets are accompanied by signals and noise. In this paper, in addition to Singular Spectrum Analysis (SSA), a Genetic Algorithm (GA) is used to find the optimal window length and cut-off point, the objective of which is to find the minimum value for the correlation function between signal and noise components. Therefore, first, ten-year data of the overall index of Tehran Stock Exchange during 2009 to 2018 were implemented in three using the SSA method. Then it was solved in the form of an optimization problem by a genetic algorithm. The results of the first hypothesis showed that signal and noise resolution is possible in the SSA method. Also, according to the results of the research, Singular spectrum analysis based on genetic algorithm with an absolute value of less than the average value showed an improvement in prediction accuracy. Finally, considering the lowest weight correlation between time series components for signal and noise separation (finding the cut-off point) and then obtaining the optimal window length in the SSA based on GA, indicates the fact that the amount of parameters can be changed. Improve the performance of the SSA method to be useful.
_||_