همواره برای پیشبینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیشبینی بر اساس مدلهای آماری و در روش هوشمند بر اساس مدلهای هوش مصنوعی است. روشهای سنتی عمدتاً از الگوهای خطی برای مدل کردن رفتار بازار استفاده میکنند در حالی که مزیت و برت چکیده کامل
همواره برای پیشبینی در بازارهای مالی دو رویکرد سنتی و هوشمند وجود داشته که در روش سنتی این پیشبینی بر اساس مدلهای آماری و در روش هوشمند بر اساس مدلهای هوش مصنوعی است. روشهای سنتی عمدتاً از الگوهای خطی برای مدل کردن رفتار بازار استفاده میکنند در حالی که مزیت و برتری اصلی مدلهای هوشمند توانایی یادگیری و مدل کردن رفتارهای غیرخطی موجود در بازار است. همیشه این موضوع مطرح بوده است که کدام روشها میتوانند رفتار بازار را بهتر مدل کنند و با وجود مدلهای فراوانی که برای پیشبینی ارائهشده است کماکان تلاش برای ساخت مدلی که بتواند متغیرهای مؤثر بیشتری را برای پیشبینی مورد استفاده قرار دهد و بتواند فاکتورهایی مانند زمان، ریسک و بازده را هم در نظر بگیرد، ادامه دارد. هدف از این پژوهش ارائه مدلی برای پیشبینی شاخص صنعت در بورس اوراق بهادار تهران میباشد. این کار توسط شبکه عصبی ماشین یادگیری حداکثری و با استفاده از دو روش بهینهسازی ماشین یادگیری حداکثری پیدرپی و الگوریتم پرواز پرندگان صورت گرفته است. نتایج نشان میدهد که دقت پیشبینی دو روش از لحاظ آماری تفاوت معناداری با یکدیگر نداشته اما ازلحاظ مدتزمان اجرای الگوریتم شبکه عصبی با روش بهینهسازی ماشین یادگیری حداکثری پیدرپی عملکرد بهتری داشته است.
پرونده مقاله
پیش بینی و لحاظ حافظه بلند مدت در سریهای زمانی یکی از با اهمیت ترین موضوعات در بازارهای مالی است که در پیش بینی تلاطم و ارزش در معرض ریسک کاربردهای وسیعی دارد. ارزش در معرض ریسک یکی از معروفترین ابزارهای ارزیابی ریسک در مدیریت مالی است. در این مقاله برای دو سری زمانی شا چکیده کامل
پیش بینی و لحاظ حافظه بلند مدت در سریهای زمانی یکی از با اهمیت ترین موضوعات در بازارهای مالی است که در پیش بینی تلاطم و ارزش در معرض ریسک کاربردهای وسیعی دارد. ارزش در معرض ریسک یکی از معروفترین ابزارهای ارزیابی ریسک در مدیریت مالی است. در این مقاله برای دو سری زمانی شاخص بورس اوراق بهادار تهران و شاخص فرابورس ایران در بازه زمانی مهر ماه 1387 تا بهمن ماه 1393 از مدلهای خانواده GARCHاستفاده گردیده است. نتایج حاکی از وجود اثرات نامتقارن در بازدهی هر دو سری زمانی مورد بررسی است. برای ارزیابی پیش بین و ارزش در معرض ریسک از معیارهای کمترین خطا و آزمونهای آماری برای ارزیابی کفایت مدلهای برآورد کننده ارزش در معرض ریسک استفاده شده است. نتایج این پژوهش نشان می دهد که لحاظ اثرات نامتقارن در سریهای بازدهی و همچنین اثرات حافظه بلندمدت منجر به بهبود پیش بینی تلاطم و ارزش در معرض ریسک این دو سری زمانی می گردد.
پرونده مقاله