طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی : شاخص بورس اوراق بهادار تهران)
محورهای موضوعی : آینده پژوهی
بهمن اشرفی جو
1
(دانشجوی دکتری گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
ناصر فقهی فرهمند
2
(دانشیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران (نویسنده مسئول)
farahmand@iaut.ac.ir)
یعقوب علوی متین
3
(گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
کمال الدین رحمانی یوشانلویی
4
(عضو هیئت علمی گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
کلید واژه: شاخص کل سهام, پیش بینی, شبکه عصبی مصنوعی, بورس اوراق بهادار تهران,
چکیده مقاله :
پیش بینی شاخص کل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت و بروز مشکل در مواقع بحرانی، توسعه یک مدل کار آمد برای پیش بینی شاخص کل سهام بسیار دشوار است. یکی از روشهای شناخته شده و جدید برای پیش بینی شاخص کل سهام، روش استفاده از شبکه های عصبی مصنوعی میباشد. هدف اصلی از این پژوهش طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و این تحقیق از نظر هدف، کاربردی و از نظر روش انجام تحقیق، توصیفی مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعه‌ی آماری این تحقیق، شاخص کل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 می باشد. در این پژوهش ابزاری که با آن به سنجش متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنین از شبکه عصبی مصنوعی چند لایه پرسپترون استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پیش بینی شاخص کل بورس اوراق بهادار تهران نسبت به سایر روش های تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص کل تا 7/1 درصد خطا را دارد و نیز تائید پیروی شاخص سهام بورس تهران از یک فرایند غیر خطی از دیگر نتایج این پژوهش بشمار می رود.
Predicting the total stock index is a challenging task, due to the complexity of stock market variables and the lack of management and the occurrence of problems in critical situations, it is very difficult to develop an efficient model for predicting the total stock index. One of the important tools used for investment decisions is forecasting techniques, which are an integral part of the decision-making and control process. On the other hand, the accuracy of forecasting is directly related to decision risk. One of the well-known and new methods for predicting the total stock index is the method of using artificial neural networks. this research is applied in terms of purpose and descriptive based in terms of research method. It is analytical-mathematical in terms of survey and survey method. The statistical population of this research is the total index of TEPIX from 1369 to 1399. In this research, the tool that has been used to measure the desired variables is the documents and statistics of TEPIX and to analyze the data of this research, descriptive statistics and inferential statistics as well as multi-layer artificial neural network. Perceptron has been used. The results of this study show the confirmation of high accuracy of forecasting the total index of TEPIX compared to other estimation methods provided by the model, which has the power to predict the total index up to 1.7% error and also confirms the adherence to the index of TEPIX. A non-linear process is another result of this research.
