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

محورهای موضوعی : اقتصاد کار و جمعیت

سید نظام الدین مکیان ¹ (استادیار دانشگاه یزد)
فاطمه السادات موسوی ² (دانشجوی کارشناسی ارشد دانشگاه یزد)

تاریخ دریافت : 1394/01/30 تاریخ پذیرش : 1394/01/30 تاریخ انتشار : 1390/01/12

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

چکیده مقاله :

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.

چکیده انگلیسی:

Stock exchange market is one of the important ways to investment. In this market, the investors are looking for the best securities to maximize the profit. Therefore, forecasting the stock price of next day has a vital role in purchasing such securities. To do this, application of Neural Networks financial forecasting has become very popular over the last few years. In this paper, for predicting the next day's close stock price of Pars Petroleum Company, Artificial Neural Network (ANN) and Autoregressive Integrated Moving Average (ARIMA) will be developed, used and compared. The data are daily collected and analyzed during 2009-2011. The findings indicate that forecasting the price by Neural Network is superior to ARIMA due to its less error coefficients and high explanatory ability.

منابع و مأخذ:

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.