ارائه یک مدل ترکیبی بهبود یافته با انتخاب وقفه های خودکار برای پیشبینی بازار سهام
محل انتشار: فصلنامه تحقیقات مالی، دوره: 20، شماره: 3
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 89
فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-20-3_007
تاریخ نمایه سازی: 20 بهمن 1400
چکیده مقاله:
هدف: بهطور کلی سری های زمانی مالی مانند شاخص سهام، رفتار غیر خطی، بی ثبات و نویزی دارند. مدل های ساختاری و آماری و مدل های مبتنی بر یادگیری ماشین، اغلب توانایی پیش بینی دقیق سری هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره مندی از مزایای روش گروهی مدلسازی داده ها (GMDH) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) برای پیش بینی دقیقتر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است. روش: برای دستیابی به هدف پژوهش، از داده های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر ۱۳۸۷ تا شهریور ۱۳۹۷ استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را بهعنوان مدلی مقاوم در برابر داده های نویزی و نامانا برای پیش بینی بهکار میگیرد و از الگوریتم بهینه سازی چند هدفه NSGA II برای کمینه سازی خطای پیش بینی و انتخاب متغیرهای ورودی بهینه استفاده می کند. یافتهها: نتایج بهدست آمده از مدل ترکیبی ارائه شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیانکننده خطای کمتر و دقت پیشبینی بیشتر آن در مقایسه با مدل ARIMA برای داده های خارج از نمونه است. نتیجهگیری: با توجه به یافتههای تجربی می توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف پذیری و توانایی بیشتری برخوردار است.
کلیدواژه ها:
الگوریتم ژنتیک با مرتب سازی نامغلوب ، پیشبینی بازار سهام ، روش گروهی مدلسازی داده ها ، سریهای زمانی مالی ، مدل ترکیبی
نویسندگان
معین نیکوسخن
کارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :