پیش‌بینی دوران رکود و رونق در بازار اوراق بهادار تهران با استفاده از مدل‌های MS و NSGA-ANN

محورهای موضوعی : مهندسی مالی

فرزانه عبدالهیان ¹ , محمد ابراهیم محمد پورزرندی ² , محمد هاشمی نژاد ³ , مهرزاد مینویی ⁴

1 - دانشجوی دکتری، گروه مدیریت صنعتی، گرایش تحقیق در عملیات، دانشگاه آزاد اسلامی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد گروه مدیریت صنعتی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
3 - استادیار گروه مدیریت، واحد علوم پزشکی، دانشگاه آزاد اسلامی، تهران، ایران
4 - استادیار گروه مدیریت صنعتی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1397/04/10 تاریخ پذیرش : 1397/06/14 تاریخ انتشار : 1397/10/01

کلید واژه: الگوریتم ژنتیک, شبکه عصبی, مارکوف سوئیچینگ, بازار خرسی, بازار گاوی,

چکیده مقاله :

بورس اوراق بهادار یکی از ابزارهای مالی کشورها در کل دنیا محسوب می‌شود. وقوع رکود در این بازار می تواند اثرات مهمی از جمله کاهش نقدینگی، کاهش سودآوری شرکت‌های پذیرفته شده در بورس و همچنین کاهش رشد اقتصادی را در پی داشته باشد. در این مقاله به دنبال استخراج و پیش‌بینی سیکل‌های زمانی در بورس اوراق بهادار هستیم. در ابتدا با استفاده از شاخص کل بورس و بهره‌گیری از مدل MSI(3)AR(2) سه سیکل زمانی رکود، رونق متوسط و رونق بالا در بورس اوراق بهادار استخراج می شود. سپس با استفاده از ادغام الگوریتم NSGA(II) و سه مدل شبکه عصبی مهم‌ترین متغیرهای پیش‌بین به تفکیک هر مدل تعیین شده و به پیش‌بینی وضعیت سه ماه آینده بازار می پردازیم. در نهایت عملکرد سه نوع شبکه عصبی پرسپترون چند لایه، پایه شعاعی و شبکه احتمالی در انتخاب ویژگی و پیش‌بینی وضعیت آینده بازار با یکدیگر مقایسه شد. نتایج حاکی از آن است نتایج حاکی از آن است که هر سه مدل مورد نظر با توجه به معیارهای میزان خطا، دقت مدل و ضریب کاپا نتایج قابل قبولی را ارائه می‌دهند و مدل شبکه احتمالی نسبت به سایر مدل‌ها از خطای پایین‌تر، دقت و ضریب کاپا بیشتری برخوردار است.

چکیده انگلیسی:

The stock exchange is one of the financial instruments of countries around the world. The recession in this market can have important effects, for example reducing liquidity, reducing the profitability of companies admitted to the stock exchange, and reducing economic growth. In this paper, we are looking for extraction and prediction of time cycles in the stock market. Initially, using the total stock index and the MSI (3) AR (2) model, three cycles of recession, medium prosperity and high prosperity are extracted in the stock market. Then the most important predictor variables are determined by using the integration of the NSGA (II) algorithm and the three types of neural network models and predicted the market situation for the next three months. Finally, the performance of three types of multilayer perceptron neural network, radial basis and probable network were compared in terms of feature selection and prediction of future market situation. The results indicate that all three models  have  acceptable  error  rates,  accuracy,  and Kappa  coefficients, and the probable network model has lower error rate, more accuracy and kappa coefficient than other models.