مقایسه ادوار مالی پیش‌بینی‌شده‌ی بورس اوراق بهادار تهران با استفاده از شبکه‌های ANFIS، MLP، RBF و PNN مبتنی بر الگوریتم PSO

محورهای موضوعی : دانش سرمایه‌گذاری

فرزانه عبدالهیان ¹ , محمد ابراهیم محمد پورزرندی ² , حسن قالیباف اصل ³

1 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
2 - استاد گروه مدیریت صنعتی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
3 - دانشیار گروه مدیریت مالی، دانشگاه الزهراء، تهران، ایران.

تاریخ دریافت : 1397/10/24 تاریخ پذیرش : 1398/02/17 تاریخ انتشار : 1400/01/01

کلید واژه: روش پاگان و سسونف, ادوار مالی بازار, هوش مصنوعی, بازار گاوی, بازار خرسی,

چکیده مقاله :

یکی از نهادهای مالی کشورها در کل دنیا، بورس اوراق بهادار است که از شاخص‌های آن به عنوان شاخص سلامت اقتصادی استفاده می‌شود. با توجه به اینکه حجم عظیمی از سرمایه‌ها از طریق بورس اوراق بهادار هدایت و در چرخه تولید و صنعت قرار می‌گیرد وقوع رکود در این بازار می‌تواند اثرات مهمی به دنبال داشته باشد. در این مقاله، به دنبال استخراج دوره‌های رونق و رکود در بورس اوراق بهادار تهران با استفاده از شاخص کل بازار و با بهره‌گیری از روش پاگان و سسونف هستیم سپس با استفاده از الگوریتم PSO مهم‌ترین متغیرهای پیش‌بین تعیین و در گام بعد به پیش‌بینی ادوار مالی بازار با استفاده از شبکه‌های ANFIS، MLP، RBF و PNN می‌پردازیم. یافته‌ها نشان می‌دهد که با توجه به معیارهای میانگین توان دوم خطا، مجذور میانگین توان دوم خطا، دقت مدل و ضریب کاپا، مدل MLP نتایج بهتری در پیش‌بینی وضعیت آتی بازار ارائه می‌دهد.

چکیده انگلیسی:

One of the financial institutions of the countries in the world is the Stock Exchange, which is used as indicators of economic health. As for a large volume of capital is managed through the stock market and is placed in the production and industry, the recession in this market can have important effects. In this paper, we seek to extract the cycles of prosperity and recession in the Tehran Stock Exchange using the TEPIX and the Pagan and Sossounov method. Then, using the PSO algorithm, the most important predictor variables are determined and in the next step We predict market financial cycles using ANFIS, MLP, RBF and PNN networks. The results show that according to the mean square error, the root mean square error, the accuracy of the model and the Kappa coefficient, the MLP model provides better results in predicting future market conditions.

منابع و مأخذ:

• ابونوری، اسماعیل، موتمنی، مانی، 1386، تجزیه و تحلیل بازخورد نوسانات در بازار سهام تهران، پژوهشنامه اقتصادی، شماره 4، پیاپی 27، صص 247-261.


• برکچیان، سید مهدی. نصیری. لیلا، ابراهیم‌نژاد، علی. (1395) نسبت‌های ارزش‌گذاری و قابلیت پیش‌بینی بازده بازار (شواهدی از بورس اوراق بهادار تهران). فصلنامه مدلسازی ریسک و مهندسی مالی، 1(2)، صص 145-165.


• بردبار، نوشین. حیدری، ابراهیم. (1396). اثر نوسانات قیمت جهانی نفت بر بازده سهام انرژی در ایران. فصلنامه تحقیقات مدلسازی اقتصادی، شماره 27، صص 20-177.


• برقی اسگویی، محمدمهدی، متفکرآزاد، محمد علی، شهباززاده خیاوی، اتابک، (1393). مدلسازی آثار غیرخطی تغییرات نرخ ارز واقعی و قیمت نفت خام بر شاخص قیمت سهام بورس اوراق بهادار تهران (رهیافت رژیم­های مارکوف-سوئیچینگ). فصلنامه تحقیقات مدل سازی اقتصادی، دوره 4، شماره 14، صص 109-85.


• بقایی، علی. موسوی، محمد مهدی. وثوق، بلال. (1388). استراتژی مالی مناسب برای مدیریت ریسک کل هنگام بروز رکود مالی. اندیشه مدیریت، سال سوم، شماره 2، صص 148-129.


• ترابی، تقی. هومن، تقی. (1389). اثرات متغیرهای کلان اقتصادی بر شاخص های بازدهی بورس اوراق بهادار تهران. فصلنامه مدلسازی اقتصادی، سال چهارم، شماره 1، صص 144-121.


• حجازی، رضوان. فاطمی، محبوبه. (1384). پیش بینی بازده بازار با استفاده از نسبت های مالی. مطالعات تجربی حسابداری مالی، دوره 3، شماره 12، صص 111-83.


• خوش طینت، محسن. ساربانها، محمدرضا. (1382). اثر سود تقسیمی بر سهام شرکتها. مطالعات تجربی حسابداری، دوره 1، شماره 2، صص 139-107.


• صمدی، سعید، بیانی، عذرا، (1390). بررسی ارتباط متغیرهای کلان اقتصادی و بازده سهام در بورس اوراق بهادار، فصلنامه اقتصاد مالی، دوره 5، شماره 16. صص 112-91.


• صمدی، سعید، شیرانی فخر، زهره، داودزاده، مهتاب، (1386). بررسی میزان اثرپذیری شاخص قیمت سهام بورس اوراق بهادار تهران از قیمت جهانی نفت و طلا (مدل­سازی و پیش بینی). فصلنامه بررسی­های اقتصادی، دوره 4، شماره 2.


• عبادالهان کویچ، اصغرپور، حسین، ذوالقدر، حمید، (1393). بررسی رابطه بین قیمت سهام و نرخ ارز در کشورهای صادرکننده نفت: رویکرد هم­انباشتگی. فصلنامه سیاست­گذاری پیشرفت اقتصادی دانشگاه الزهراء، سال دوم، شماره 5، صص 86-61.


• کارتالوپولس، استماتیوس. وی، (1390). منطق فازی و شبکه‌های عصبی (مفاهیم و کاربردها)، ترجمه محمد جورابیان و رحمت الله هوشمند، دانشگاه شهید چمران، چاپ پنجم، اهواز.


• کیا، سیدمصطفی، 1395، شبکه‌های عصبی در MATLAB، چاپ پنجم، دانشگاهی کیان، تهران.


• محمدی ملقرنی، عطاالله، 1384، نقش بازار بورس اوراق بهادار در توسعه اقتصادی، اولین کنگره منطقه ای راهکارهای توسعه اقتصادی استان کردستان.


• نادمی، یونس، 1396، بودجه تحقیقات و رشد اقتصادی در ایران: رویکرد مارکوف سوئیچینگ، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، سال بیست و پنج، شماره 82، صص 231-197.


• Al Janabi, M. A., Hatemi-J, A., & Irandoust, M. (2010). An empirical investigation of the informational efficiency of the GCC equity markets: evidence from bootstrap simulation. International Review of Financial Analysis, 19(1), 47-54.


• Apergis, N., & Miller, S. M. (2009). Do structural oil-market shocks affect stock prices? Energy economics, 31(4), 569-57.


• Barbee Jr, W. C., Mukherji, S., & Raines, G. A. (1996). Do Sales–Price and Debt–Equity Explain Stock Returns Better than Book–Market and Firm Size? Financial Analysts Journal, 52(2), 56-60.


• Baur, D. G., & Lucey, B. M. (2010). Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financial Review, 45(2), 217-229.


• Bry, G., & Boschan, C. (1971). Programmed selection of cyclical turning points Cyclical Analysis of Time Series: Selected Procedures and Computer Programs (pp. 7-63): NBEr.


• Candelon, B., Piplack, J., & Straetmans, S. (2008). On measuring synchronization of bulls and bears: The case of East Asia. Journal of Banking & Finance, 32(6), 1022-1035.


• Capie, F., Mills, T. C., & Wood, G. (2005). Gold as a hedge against the dollar. Journal of International Financial Markets, Institutions and Money, 15(4), 343-352.


• Chauvet, M., & Potter, S. (2000). Coincident and leading indicators of the stock market. Journal of Empirical Finance, 7(1), 87-111.


• Chen, N.-K., Chen, S.-S., & Chou, Y.-H. (2017). Further evidence on bear market predictability: The role of the external finance premium. International Review of Economics & Finance, 50, 106-121.


• Chen, S.-S. (2009). Predicting the bear stock market: Macroeconomic variables as leading indicators. Journal of Banking & Finance, 33(2), 211-223.


• Chiou, J.-S., & Lee, Y.-H. (2009). Jump dynamics and volatility: Oil and the stock markets. Energy, 34(6), 788-796.


• Eberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory. Paper presented at the Micro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on.


• El-Sharif, I., Brown, D., Burton, B., Nixon, B., & Russell, A. (2005). Evidence on the nature and extent of the relationship between oil prices and equity values in the UK. Energy economics, 27(6), 819-830.


• Fama, E. F., & French, K. R. (1992). The cross‐section of expected stock returns. The Journal of Finance, 47(2), 427-465.


• Gonzalez, L., Powell, J. G., Shi, J., & Wilson, A. (2005). Two centuries of bull and bear market cycles. International Review of Economics & Finance, 14(4), 469-486.


• Güler, I., & Übeyli, E. D. (2005). Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients. Journal of neuroscience methods, 148(2), 113-121.


• Hamilton, J. D. (2011). Calling recessions in real time. International journal of forecasting, 27(4), 1006-1026.


• Hanna, A. J.(2018). A top-down approach to identifying bull and bear market


• International Review of Financial Analysis, 55, 93-110.


• Jammazi, R., & Aloui, C. (2010). Wavelet decomposition and regime shifts: Assessing the effects of crude oil shocks on stock market returns. Energy Policy, 38(3), 1415-1435.


• Kilian, L., & Park, C. (2009). The impact of oil price shocks on the US stock market. International Economic Review, 50(4), 1267-1287.


• Kole, E., & van Dijk, D. (2017). How to identify and forecast bull and bear markets? Journal of Applied Econometrics, 32(1), 120-139.


• Lewellen, J. (1999). The time-series relations among expected return, risk, and book-to-market. Journal of Financial Economics, 54(1), 5-43.


• Miller, J. I., & Ratti, R. A. (2009). Crude oil and stock markets: Stability, instability, and bubbles. Energy economics, 31(4), 559-568.


• Narayan, P. K., & Narayan, S. (2010). Modelling the impact of oil prices on Vietnam’s stock prices. Applied energy, 87(1), 356-361.


• Nyberg, H. (2013). Predicting bear and bull stock markets with dynamic binary time series models. Journal of Banking & Finance, 37(9), 3351-3363.


• Pagan, A. R., & Sossounov, K. A. (2003). A simple framework for analysing bull and bear markets. Journal of Applied Econometrics, 18(1), 23-46.


• Park, J., & Ratti, R. A. (2008). Oil price shocks and stock markets in the US and 13 European countries. Energy economics, 30(5), 2587-2608.


• Pontiff, J., & Schall, L. D. (1998). Book-to-market ratios as predictors of market returns1. Journal of Financial Economics, 49(2), 141-160.


• Saleh, G. (2008). The dynamic relation between stock prices and exchange rates in Egypt, Saudi Arabia and UAE: University of Illinois at Chicago.


• Shapiro, A. C. (1986). Guidelines for long-term corporate financing strategy. Midland Corporate Finance Journal (Winter 1986), 6-19.


• Sias, R. W., & Whidbee, D. A. (2010). Insider trades and demand by institutional and individual investors. The Review of Financial Studies, 23(4), 1544-1595.


• Stehman, S. V. (1997). Selecting and interpreting measures of thematic classification accuracy. Remote sensing of Environment, 62(1), 77-89.


• Yaya, O. S., & Gil-Alana, L. A. (2014). The persistence and asymmetric volatility in the Nigerian stock bull and bear markets. Economic Modelling, 38, 463-469