پیش بینی شاخص بورس تهران با استفاده از سری زمانی فازی بر اساس تعریف نرخ بازده
محورهای موضوعی : دانش سرمایهگذاریفرید رادمهر 1 , ناصر شمس قارنه 2
1 - کارشناسی ارشد مهندسی صنایع- مهندسی مالی، دانشکده مهندسی صنایع دانشگاه صنعتی امیرکبیر (مسئول مکاتبات)
2 - استادیار دانشکده مهندسی صنایع دانشگاه صنعتی امیرکبیر
کلید واژه: سری زمانی فازی مرتبه ی بالا, نرخ بازده, شبیه سازی تبرید, پیش بینی,
چکیده مقاله :
در سالیان اخیر تحقیقات گسترده ای برروی مدل ها ی سری زمانی فازی انجام شده است اما در بسیاری از این تحقیقات، همواره فضای مسئله و بازه های مربوطه، بر اساس سطوح داده ها ی سری زمانی تعیین شده است. در این تحقیق با نگاهی جدید به تعیین فضای مسئله و استفاده از مفهوم نرخ بازده در بازارهای مالی، نوع جدیدی از فضای مسئله بر اساس نرخ بازده برای کاربرد در بازار های مالی و پیش بینی سری های زمانی مالی ارائه شده است. یکی از مسائل دیگر در مدل های سری زمانی فازی که تاثیر به سزایی در عملکرد آنها دارد طول بازه های مورد استفاده و نحوه ی تقسیم بندی فضای مسئله می باشد که در این زمینه تحقیقات متنوعی انجام شده است اما نتایج حاصله تا کنون راضی کننده نیست. لذا در این تحقیق با استفاده از الگوریتم شبیه سازی تبرید سعی در برطرف نمودن ایرادات مطالعات قبلی برای تعیین بازه های مناسب شده است. حاصل تحقیق مدل RBFTS است. برای مقایسه عملکرد مدل ارائه شده و مدل های موجود در ادبیات، از دو مسئله ی بورس تایفکس و پذیرش دانشگاه آلاباما که به عنوان مرجع مقایسه ی این دسته از مدل ها هستند استفاده شده است. نتایج حاصله نشان دهنده ی برتری مدل های ارائه شده نسبت به مدل های پیشین است. در نهایت به عنوان مورد اجرایی، دو مدل نامبرده برروی شاخص بازار بورس تهران اجرا شده و نتایج تحلیل گردید.
During the recent years extensive researches have been done on fuzzy time series. In many of these studies, universe of discourse and relevant intervals have been determined based on levels of price or data; in this study a new type of universe of discourse is established based on rate of return concept in financial markets. Another point that has a significant effect on the performance of fuzzy time series models is the length of intervals, therefore doing research in this area became an interesting topic for time series researchers, there are some studies on this issue but their results are not good enough. So we propose a novel simulated annealing heuristic algorithm that is used to promote the accuracy of forecasting. The experimental results show that proposed model (RBFTS) is more accurate than existing models on forecasting Alabama university enrollments data. At the final step, Tehran’s bourse price index (TEPIX) is used as a case study for forecasting. The obtained results indicate a good forecasting performance on this test problem.