بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت

محورهای موضوعی : مهندسی مالی

محمد کامروافر ¹ , سیدذبیح اله هاشمی ²

1 - دانشجوی کارشناسی ارشد مدیریت صنعتی، گرایش تحقیق در عملیات، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، دانشکده مدیریت و اقتصاد
2 - استادیار گروه مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد تهران مرکزی

تاریخ دریافت : 1395/07/10 تاریخ پذیرش : 1395/08/24 تاریخ انتشار : 1396/02/01

کلید واژه: شبکه های عصبی, تحلیل تکنیکال, شاخص بورس اوراق بهادار, امواج الیوت,

چکیده مقاله :

هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد تولید و حجم نقدینگی بودند و متغیر هدف در این مطالعه شاخص کل بورس اوراق بهادار تهران می باشد. در این تحقیق از شبکه های عصبی GMDH و MLP و همچنین ابزارهای تحلیل تکنیکال (امواج الیوت و کانال رگرسیون) استفاده گردید. در این خصوص شبکه GMDH نشان داد که از میان متغیرهای مورد استفاده به عنوان شاخصهای کلان اقتصادی، متغیر نرخ بیکاری متغیر زائد بوده و تاثیر آن ناچیز است. اما سایر متغیرها (نرخ ارز، تورم، رشد تولید، حجم نقدینگی) اثر مضاعفی داشتند. همچنین یافته دیگر تحقیق ضمن تایید نتایج مشابه برای شبکه عصبی و تحلیل تکنیکال، حاکی از قدرت بالاتر شبکه های عصبی در پیش بینی شاخص بورس است.

چکیده انگلیسی:

The main goal of this research is to studying an identifying the main influencing variables on the TEPIX (Tehran Stock Price Index) and modelling them using artificial neural networks and comparing results with technical analysis and Elliot waves. Independent variables used are dollar exchange rate, inflation, GDP, unemployment and liquidity and dependent variable is TEPIX. In this study, artificial neural networks (NLP and GMDH), technical analysis tools (Elliot waves and regression channel) are used that they show between independent variables in GMDH, unemployment is unneeded variable and have low influence, but others have high influence in the model. Further the study shows that technical analysis and artificial neural networks may have same results, but ANN have more power to predict the TEPIX