طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت)
محورهای موضوعی : دانش سرمایهگذاری
رضا نجارزاده
1
(
دانشگاه تربیت مدرس
)
مهدی ذوالفقاری
2
(
دانشگاه تربیت مدرس
)
صمد غلامی
3
(
دانشگاه تربیت مدرس
)
کلید واژه: پیشبینی, مدل ترکیبی, بازار سهام, خانواده GARCH, شبکه عصبی,
چکیده مقاله :
این پژوهش به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیشبینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی شاخص کل بورس موجب شده تا علاوه بر مدلهای دارای حافظه کوتاهمدت GARCH و EGARCH در این پژوهش از مدلهای FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی بهتر مدلهای ترکیبی (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH (اعم از کوتاهمدت و بلندمدت) با شبکه عصبی مصنوعی ترکیب و با استفاده از مدلهای ترکیبی حاصلشده، بازده شاخص بورس برای 10 روز آینده بهصورت گامبهگام پیشبینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافتههای تحقیق نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیشبینی بازده شاخص کل سهام کارآمدتر و دارای خطای پیشبینی کمتری نسبت به سایر مدلهای رقیب است.
This study presents the new hybrid network of GARCH family and an artificial neural network to predict the Tehran Stock Exchange index during the period of 2008-2017. The existence of long-term memory in the conditional variance of the Tehran stock returns causes use in addition GARCH and EGARCH models with short- memory, long-term memory models. In addition to long-term memory models, considering the better performance of hybrid models in predicting financial data of the Garch family models (short and long-term) are combined with the artificial neural network. Using hybrid models the return of stock index was forecast for the next 10 days and its accuracy was evaluated using the evaluation criteria. The results showed that the hybrid FIEGARCH with the student-t distribution model was more efficient in forecasting return of stock and had a lower forecast error than others models
_||_