مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
اکبر کمیجانی
1
(ندارد)
اسماعیل نادری
2
(مسئول مکاتبات)
کلید واژه: پیشبینی, بازار بورس, مدل ARFIMA, مدل NNAR,
چکیده مقاله :
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
The aim of this study is to introduce an efficient nonlinear model for predicting thereturn of Tehran Stock Exchange (TSE) Price index. For this purpose, the daily timeseries of price index from Farvardin 1388 to Aban 1390 is used. This study includes616 observations; 90% of which used for estimating coefficients and the remaining 60observation are deduced for out of sample forecasting. By comparing the results of anonlinear dynamic artificial neural network (NNAR) and a nonlinear regression model(autoregressive fractional integration moving average «ARFIMA»), we found thatNNAR models have better performance in out of sample forecasting based on meansquare error criteria (MSE) and root mean square error criteria (RMSE) than thenonlinear regression models (ARFIMA).