ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

علی اکبر نیکواقبال ¹ , نادیا گندلی علیخانی ² , اسماعیل نادری ³

1 - ندارد
2 - ندارد
3 - مسئول مکاتبات

تاریخ دریافت : 1392/06/02 تاریخ پذیرش : 1392/07/20 تاریخ انتشار : 1393/03/25

کلید واژه: پیش بینی, بازار بورس, مدل ANN, مدلANFISو مدل.NNAR,

چکیده مقاله :

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوالمطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در( همین راستا، این مطالعه به مقایسه دقت عملکرد مدلهای شبکه عصبی ایستا و پویا در پیشبینی (تک متغیره 1بازدهی شاخص قیمت و بازده نقدی بورس تهران میپردازد تا امکان انتخاب الگوی بهینه برای پیشبینی متغیرمذکور را میسر نماید. دادههای مورد استفاده در این پژوهش به صورت روزانه و شامل بازهی زمانی پنجمفروردین 1388 تا سیام آبان 1390 میباشد. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ دو مدلو نیز یک مدل شبکهی (MFNN) و شبکه عصبی چند لایه پیشخور (ANFIS) ایستای؛ شبکهی عصبی فازیهستند. این پژوهش عملکرد مدلهای مذکور را، بر اساس معیارهای (NNARX) عصبی پویای اتورگرسیو3 مورد (RMSE) 2 و نیز معیار جذر میانگین مجذور خطا (MSE) محاسبهی خطای پیشبینی میانگین مجذور خطاارزیابی قرار داده است.

چکیده انگلیسی:

AbstractIn this disquisition, has been paid to comparing the performance of static anddynamics neural network by purpose choosing appropriate model in predicting of TehranStock Exchange. The data used in this study consists of daily and interval of time1388/1/5 to 1390/8/30, that Including 616 observation for in sample and out of sampleforecasting. Approximately 90% of these observations (556 data) use to estimatecoefficients of the model and the rest of them (60 data) use to forecast out of sample.Models are also employed in this research; two stationary neural network models such asfuzzy neural network (ANFIS) and artificial neural network (ANN) and a dynamicregression neural network model (NNARX). The results of this survey indicate thatAccording to Criteria to calculate the forecast error, among Mean squared error (MSE)and root mean square error (RMSE), Fuzzy neural network model of static, dynamicregression models, neural networks, and finally static artificial neural network modelshave lowest prediction error, Respectively.