نوفه زدایی از سری های زمانی مالی با استفاده از آنالیز موجک

محورهای موضوعی : مهندسی مالی

حجت اله صادقی ¹ , زهرا دهقانی فیروزآبادی ²

1 - استادیار گروه حسابداری دانشگاه یزد، یزد، ‌ایران
2 - دانشجوی کارشناسی ارشد، دانشگاه علم و هنر یزد، یزد، ایران

تاریخ دریافت : 1395/12/24 تاریخ پذیرش : 1396/10/23 تاریخ انتشار : 1396/07/01

کلید واژه: سری زمانی, نویز, آنالیز موجک, نوفه زدایی,

چکیده مقاله :

هر مجموعه از ضرایب موجک بخشی از سری زمانی را در مقیاس های زمانی متفاوت در بر دارد. پیاده سازی تبدیل موجک، با بهره گیری از بهترین موجک ها در سطوح مناسب تاثیر بسزایی در نتایج تحلیل های مالی خواهد داشت. در این پژوهش هدف، بیان اهمیت مفهوم مقیاس-زمان و به کارگیری فواصل زمانی متفاوت در بررسی رفتار بازارهای مالی است تا مشخص شود که آیا حذف نوفه از سری زمانی می تواند دقت تصمیم گیری ما برای آینده را بالا ببرد؟ بدین منظور ابتدا 16 شاخص انتخاب شده از بورس اوراق بهادار تهران به کمک نرم افزار R و با استفاده از تبدل موجک تا پنج سطح برای 250 داده تجزیه کرده وسپس از تمامی آن ها نوفه زدایی نمودیم. در مرحله بعد دو روش برای سنجش نوفه زدایی بکار بردیم یکی خوشه بندی شاخص های منتخب به روش دندروگرام و دیگری پیش بینی سری زمانی شاخص کل با500 داده وبا استفاده از داده های نوفه زدایی شده به دو روش موجک هار و دابشیز. نتایج هر دو روش حکایت از عملکرد بهتر نوفه زدایی با استفاده از موجک دابشیز در این سری های زمانی داشت. هدف اصلی ما به نوعی استفاده از آنالیز موجک و نوفه زدایی از سری های زمانی با استفاده از آن در مباحث مالی بود.

چکیده انگلیسی:

every series of Wavelet coefficients includes part of time series in the scale of different time series. Implementation of the wavelet transform, using   the best Wavelet at the right levels has significant impact on the results of the results of the financial analysis. the purpose of  this study is to explanation of the importance of the concept of scale-time and the use of different  time intervals in  checking the behavior of the financial markets to be determined whether the removing noise from the  time series can  accurate the  decisions we have to make in the future or not? Therefore we analyzed 16 selected index of the Tehran Stock Exchange using software "R" and using Wavelet transformation up to five levels for 250 data then put them all under noise removing process. In the next step we used two methods for evaluation the noise removing process. one clustering all the selected index in the dendrogram method And the other one time series predictions of total index which includes 500 data and  the use of the data that has been noise removed  into two methods of Haar wavelet and Daubechies. The results of both method claim better performance using Wavelet removing noise using Daubechies wavelet in this series. our main goal is  using the wavelet analysis and noise removing from  time series and  using that  in financial topics.