مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران

الموضوعات : دانش مالی تحلیل اوراق بهادار

اکبر کمیجانی ¹ , اسماعیل نادری ²

1 - ندارد
2 - مسئول مکاتبات

تاريخ الإرسال : 28 الإثنين , ربيع الأول, 1433 تاريخ التأكيد : 18 الأربعاء , جمادى الثانية, 1433 تاريخ الإصدار : 02 السبت , صفر, 1434

الکلمات المفتاحية: پیش‌بینی, بازار بورس, مدل ARFIMA, مدل NNAR,

ملخص المقالة :

این مقاله با هدف معرفی یک الگوی مناسب جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه ی زمانی پنجم فروردین 1388 تا سی ام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیش بینی های داخل نمونه ای و خارج از نمونه ای، از تقریباً 90% از مشاهدات (556 مشاهده) جهت تخمین ضرایب مدل و از مابقی (60 مشاهده) جهت انجام پیش بینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطیِ شبکه ی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی)[i] و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشته ی کسری)[ii]. یافته های این پژوهش نشان می دهد که مدل شبکه ی عصبی مصنوعی پویا در پیش بینی های خارج از نمونه، بر اساس معیارهای محاسبه ی خطای پیش بینی میانگین مجذور خطا (MSE)[iii] و نیز معیار جذر میانگین مجذور خطا (RMSE)[iv]، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA می باشند. [r