پیش‌بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس

الموضوعات :

سید نظام الدین مکیان ¹ , فاطمه السادات موسوی ²

1 - استادیار دانشگاه یزد
2 - دانشجوی کارشناسی ارشد دانشگاه یزد

تاريخ الإرسال : 30 الأحد , جمادى الثانية, 1436 تاريخ التأكيد : 30 الأحد , جمادى الثانية, 1436 تاريخ الإصدار : 27 الجمعة , ربيع الثاني, 1432

الکلمات المفتاحية: شبکه عصبی مصنوعی, پیش‌بینی قیمت سهام, مدل خودرگرسیون میانگین متحرک انباشته (ARIMA),

ملخص المقالة :

یکی از راه‌های تامین سرمایه برای سرمایه‌گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می‌باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم‌ترین عاملی که در اتخاذ سرمایه‌گذاری در بورس فراروی سرمایه‌گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش‌بینی قیمت آینده نیز مطرح می‌شود. فعالان در این بازار درصدد دستیابی و به‌کارگیری روش‌‌هایی هستند تا با پیش‌بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه‌ حاضر با هدف پیش‌بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده‌های نفتی پارس- با به کارگیری داده‌های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMA صورت پذیرفته است. نتایج به‌دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح‌دهندگی بالاتر و در نتیجه پیش‌بینی بهتری را نسبت به روش رگرسیونی نشان می‌دهد.

المصادر:

منابع

-  افسر، امیر؛ آذر، عادل (1385). مدل سازی پیش بینی قیمت سهام با رویکرد شبکه‌های عصبی فازی، پژوهشنامه بازرگانی، شماره 40، (پیاپی 10): 52-33.

-  اکبری مقدم، بیت اله، رضایی، فرزین و نوروزی، علی. (1388). مقایسه قدرت پیش بینی برای مدل های فاما و فرنچ و ارزش بتا و بازده مورد انتظار سهام. مدلسازی اقتصادی، شماره 1، (پیاپی 7): 75-55.

-  بیل، آر و جکسون، تی. (1380). آشنایی با شبکه‌های عصبی. مترجم: البرزی، محمود، تهران، دانشگاه صنعتی شریف، مؤسسه انتشارات علمی.

- پناهیان، حسین. (1379). استفاده از شبکه‌های عصبی برای پیش‌بینی روند شاخص قیمت سهام در بورس اوراق بهادار تهران. رساله دکتری. دانشکده مدیریت و اقتصاد، دانشگاه آزاد واحد علوم تحقیقات.

-  خالوزاده، حمید، خاکی صدیق، علی. (1382). ارزیابی روش‌های پیش‌بینی قیمت سهام و ارائه مدلی غیرخطی بر اساس شبکه‌های عصبی. تحقیقات اقتصادی، سال چهارم، شماره 63: 85-43.

- کردلوئی، حمیدرضا، حیدری زارع، بهزاد. (1389). پیش‌بینی قیمت سهام با استفاده از شبکه عصبی. فصلنامه مدیریت، سال هفتم، شماره17 :56-49.

-  سینایی، حسنعلی، مرتضوی، سعید و تیموری اصل، یاسر. (1384). پیش‌بینی شاخص بورس اوراق بهادر تهران با استفاده از شبکه‌های عصبی مصنوعی. بررسی‌های حسابداری و حسابرسی، سال دوازدهم، شماره 41: 83-59.

- قوام‌زاده، محمد. (1376). پیش‍بینی در بازارهای سازمان یافته. پایان‍نامه کارشناسی ارشد، دانشکده برق‌، دانشگاه تهران.

- کارتالوپوس، اس وی. (1382). منطق فازی و شبکه‍های عصبی. مترجمان: جورابیان، محمود، هوشمند، رحمت‍اله ، اهواز: انتشارات دانشگاه شهید چمران.

- کمیجانی، اکبر و سعادت‌فر، جواد. (1385). کاربرد مدل‌های شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌های بازار بورس. جستارهای اقتصادی، سال دهم، شماره 6: 44-11.

-  قدیمی، محمدرضا و مشیری، سعید. (1381). مدل‌سازی و پیش‌بینی اقتصادی در ایران با استفاده از شبکه عصبی مصنوعی (ANN). فصلنامه پژوهش‌های اقتصادی، شماره 12: 125-97.

- مشیری، سعید و مروت، حبیب. (1384). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از مدل‌های خطی و غیر خطی. پژوهشنامه بازرگانی، شماره 41: 275-245.

- مکیان، سید نظام الدین، المدرسی، سید محمدتقی و کریمی تکلو، سلیم. (1389). مقایسه مدل شبکه‌های عصبی با روش‌های رگرسیون لجستیک و تحلیلی ممیزی در پیش‌بینی ورشکستگی شرکت‌ها، پژوهش های اقتصادی، سال ششم، شماره 1: 161-141.

- مکیان، سید نظام الدین و کریمی تکلو، سلیم. (1388). پیش بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: شرکت‌های تولیدی استان کرمان)، فصلنامه علمی- پژوهشی اقتصاد مقداری، شماره 1، (پیاپی 20):144-129.

 

-Abuhammad, A. A., Alhajali, S. M. (2005). Forecasting the jordanian stock prices using artificial neural networ .Available at www.SSRN.com.

-Chaigusin, S., C. Chirathamjaree, et al. (2009). The use of neural networks in the prediction of the stock exchange of thailand (set) index. Journal of Computational Intelligence for Modeling Control & Automation, Vienna: 670 - 673

-Cheng, J.-H., H.-P. Chen, et al. (2010). A hybrid forecast marketing timing model based on probabilistic neural network. Journal of Expert Systems with Applications, 37(3): 1814-1820.

-Egil, B., Ozturan, M., Badur, B. (2003). Stock market prediction; using artificial neural networks. Available at www.SSRN.com.

-Ghiassi, M., Zimbra, D. K. (2006). Medium term system load forecasting with a dynamic artificial neural network model. Journal of Electric Power Systems Research, 76(5): 302-316.

-Gooijer, J. G. D. and R. J. Hyndman (2006). 25 years of IIF time­ series forecasting.  International Journal of Forecasting, 22(3): 443-473.

-Hassan, R., Nath, B. (2007). A fusion model of hmm, ANN and GA for stock market forecasting. Journal of Expert Systems withApplications,33(1): 171-180.

-Khashei, M., Bijari, M. (2010). An artificial neural network & (p, d, q) model for time series forecasting. Journal of Expert Systems with Applications, 37(1): 479-489.

-Liao, Z & J. Wang (2010). Forecasting model of global stock index bystochastic time effective neural network. Journal of Expert Systems with Applications, 37(1): 834-841.

-Merh, N., Saxena, V., Pardasani, K. (2011). Next day stock market forecasting: An application of ANN and ARIMA. Available at www.SSRN.com.

-Senol, D., Ozturan M. (2009). Stock price direction prediction using artificial neural network approach: the case of turkey. Journal of Artificial Intelligence, 1(2): 70-77.

-White, H. (1988). Economic prediction using neural networks: the case of ibm daily stock returns. IEEE International conference on Neural Networks. San Diego, CA, USA, 2: 451-458.