طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی : شاخص بورس اوراق بهادار تهران)
محورهای موضوعی : آینده پژوهی
کلید واژه: شاخص کل سهام, پیش بینی, شبکه عصبی مصنوعی, بورس اوراق بهادار تهران,
چکیده مقاله :
پیش¬بینی شاخص كل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت بروز مشکل در مواقع بحرانی، توسعه یک مدل کارآمد برای پیش¬بینی شاخص کل سهام بسیار دشوار است. یک پیش¬بینی نسبتا دقیق از حرکت شاخص برای سرمایه گذاران بازار سرمایه بسیار مهم و حیاتی است. یکی از ابزارهای مهم مورد استفاده برای تصمیمات سرمایه گذاری، فنون پیش¬بینی است که جزو لاینفک فرآیند تصمیم¬گیری و کنترل به شمار ميرود، ازطرف دیگر، دقت پیش¬بینی رابطه مستقیم با ریسک تصمیم¬گیری دارد. بدین معنی که هر چه پیش¬بینی دقیق تر باشد، زیان یا ریسک ناشی از تصمیم گیری در شرایط عدم اطمینان کاهش می¬یابد. يكي از روشهاي شناخته شده و جديد برای پیش¬بيني شاخص كل سهام، روش استفاده از شبكه هاي عصبي مصنوعی مي¬باشد. هدف اصلی از این پژوهش ارائه مدل بهینه استفاده از شبکه های عصبی مصنوعی جهت پیش¬بینی سری¬های زمانی غیرخطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و اين تحقيق از نظر هدف، كاربردي می باشد. از نظر روش انجام تحقيق، توصيفي مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعه¬ی آماری این تحقیق، شاخص كل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 می¬باشد. در این پژوهش ابزاری که با آن به سنجش و اندازه گیری متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل داده¬های این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنين از شبکه عصبی مصنوعی چند لایه پرسپترون استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پيش بيني شاخص كل بورس اوراق بهادار تهران نسبت به ساير روش هاي تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص كل تا 4/1 درصد خطا را دارد. تائید پيروي شاخص سهام بورس تهران از يك فرآيند غير خطي از نتایج اصلی و مهم این پژوهش بشمار می¬رود، در پايان پيشنهادات كاربردي براي كاربران و محقيقن در تحقیقات آتی نیز ارائه می شود.
Introduction: Forecasting the total stock index is a challenging task, due to the complexity of stock market variables and the lack of problem management in critical times, it is very difficult to develop an efficient model for forecasting the total stock index. Relatively accurate prediction of index movement is very important and vital for capital market investors. One of the important tools used for investment decisions is forecasting techniques, which are an integral part of the decision-making and control process. On the other hand, forecast accuracy has a direct relationship with decision risk. This means that the more accurate the forecast, the lower the loss or risk from decision-making under uncertainty. One of the well-known and new methods for predicting the total stock index is the method of using artificial neural networks. Purpose: The main purpose of this research is to present the optimal model of using artificial neural networks to predict non-linear time series (case study: Tehran Stock Exchange Index) and this research is practical in terms of purpose. Research method: In terms of research method, it is descriptive based on survey and in terms of review method, analytical-mathematical. The statistical population of this research is the index of the entire Tehran Stock Exchange from 1369 to 1399, and in this research, the measurement tools and variables are the documents and statistics of the Tehran Stock Exchange, and the data analysis in this research is based on statistical methods. Descriptive and inferential statistics as well as artificial neural networks have been used. Perceptron layer is used. Findings: The results of this research confirm the high accuracy of predicting the total index of Tehran Stock Exchange compared to other estimation methods using the presented model, which has the ability to predict the total index with an error of 1.4%. Conclusion: Confirming that the Tehran Stock Exchange index follows a non-linear process is considered one of the main and important results of this research, and at the end, practical suggestions for users and researchers in future researches are presented.