پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی
الموضوعات : دانش سرمایهگذاریوحید وفائی قائینی 1 , علیمحمد کیمیاگری 2
1 - دانشجوی کارشناسی ارشد مهندسی مالی، دانشکده مهندسی صنایع و مدیریت سیستمها، دانشگاه امیرکبیر، تهران، ایران. (نویسنده مسئول)
2 - استاد گروه مهندسی صنایع و مدیریت سیستمها، دانشکده مهندسی صنایع و مدیریت سیستمها، دانشگاه امیرکبیر، تهران، ایران.
الکلمات المفتاحية: پیش&, shy, بینی, تبدیل موجک, شبکه عصبی مصنوعی, مدل ARMA-EGARCH,
ملخص المقالة :
پیشبینی بازارهای مالی یکی از سرفصلهای مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیشبینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش بینی یک دوره ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل ARMA-EGARCH برای پیش بینی سری های جزئی و شبکه عصبی مصنوعی برای پیش بینی سری تقریبی بکار گرفته می شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می شوند. ارزیابی مدل پیشنهادی برای پیش بینی قیمت در بازار ایران و آمریکا با مدل های شبکه عصبی مصنوعی، ARIMA-EGARCH و ARIMA-ANN نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل ها برای پیش بینی قیمت سهام در بازار ایران و آمریکا دارد.
Babu, C. N., & Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data. Applied Soft Computing, 23, 27–38.
* Dai, W., & Lu, C.-J. (2008). Financial Time Series Forecasting Using a Compound Model Based on Wavelet Frame and Support Vector Regression. 2008 Fourth International Conference on Natural Computation, 328–332.
* Jammazi, R., & Aloui, C. (2012). Crude oil price forecasting: Experimental evidence from wavelet decomposition and neural network modeling. Energy Economics, 34(3), 828–841.
* Joo, T. W., & Kim, S. B. (2015). Time series forecasting based on wavelet filtering. Expert Systems with Applications, 42(8), 3868–3874.
* Kaastra, I., & Boyd, M. (1999). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215–236.
* Khandelwal, I., Adhikari, R., & Verma, G. (2015). Time Series Forecasting Using Hybrid ARIMA and ANN Models Based on DWT Decomposition. Procedia Computer Science, 48(Iccc), 173–179.
* October, M. (2008). A Wavelet Tour of Signal Processing.
* Rana, M., & Koprinska, I. (2016). Forecasting electricity load with advanced wavelet neural networks. Neurocomputing, 182, 118–132.
* Tan, Z., Zhang, J., Wang, J., & Xu, J. (2010). Day-ahead electricity price forecasting using wavelet transform combined with ARIMA and GARCH models. Applied Energy, 87(11), 3606–3610.
* Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501–5506.
* Tsay, R. S. (2005). Analysis of Financial Time Series.
* Wang, J. Z., Wang, J. J., Zhang, Z. G., & Guo, S. P. (2011). Forecasting stock indices with back propagation neural network. Expert Systems with Applications, 38(11), 14346–14355.
* Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.
_||_