بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‎های کلاسیک در پیش‎بینی قیمت سهام شرکت‎های سرمایه‎گذاری

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 229

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JFR-19-2_006

تاریخ نمایه سازی: 20 بهمن 1400

چکیده مقاله:

پیش بینی دقیق قیمت سهام، با توجه به نوسان‎های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه های اصلی سرمایه‎گذاران و تحلیل‎گران مالی است، از این رو به‎کارگیری رویکردهای نوین پیش بینی قیمت سهام ضرورت اجتناب‎ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسه عملکرد مدل های پیش‎بینی شبکه عصبی با مدل های کلاسیک و معرفی مدل مناسب برای پیش بینی قیمت روز آتی سهام است. برای طراحی مدل پیش بینی با شبکه عصبی، از داده های قیمت روزانه بازار و شاخص های تکنیکی مالی به‎عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده های قیمت بسته‎شدن روزانه به‎عنوان متغیر ورودی و همچنین قیمت بسته‎شدن روز آتی به‎عنوان متغیر خروجی هر دو مدل در دوره زمانی ۱۳۹۰ تا ۱۳۹۳ در نظر گرفته شد. نتایج به‎دست آمده با شبکه عصبی بیزین بیان‎کننده خطای کمتر و قدرت پیش‎بینی بیشتر آن در مقایسه با مدل آریما است. یافته های تحقیق گویای کارایی بیشتر شبکه عصبی بیزین در استفاده از فرصت های سرمایه گذاری کوتاه‎مدت بازار است که می تواند به سرمایه گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.

کلیدواژه ها:

نویسندگان

حسین فخاری

دانشیار گروه حسابداری، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران

محمد ولی پور خطیر

استادیار گروه مدیریت صنعتی، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران

سیده مائده موسوی

کارشناس ارشد حسابداری،، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، 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 :
  • آذر، ع.؛ کریمی، س. (۱۳۸۹). پیش بینی بازده سهام با ...
  • رمضانیان، م. ر.؛ رمضان‎پور، ا.؛ پوربخش، س. ح. (۱۳۹۰)، رویکردهای ...
  • حنفی‎زاده، پ.؛ جعفری، ا. (۱۳۸۹). مدل ترکیبی شبکه‎های عصبی مصنوعی ...
  • شمس، ش.؛ ناجی زواره، م. (۱۳۹۴). بررسی مقایسه ای بین ...
  • گرشاسبی، ع. (۱۳۸۹). بررسی مقایسه‎ای عوامل پیش‎بینی‎کننده بازده سهام در ...
  • محمد علی‎زاده، آ.؛ راعی، ر.؛ محمدی، ش. (۱۳۹۴). پیش‎بینی سقوط ...
  • نمازی، م.؛ کیامهر، م. م. (۱۳۸۷). پیش بینی بازده روزانه ...
  • Asadi, S., Hadavandi, E., Mehmanpazir, F. & Nakhostin, M. M. ...
  • Assaf, N. A. (۲۰۱۱). Mercado financeiro. (۱۰th ed.). So Paulo: ...
  • Azar, A. & Karimi, S. (۲۰۱۰). Neural Network Forecasts of ...
  • Chen, M. Y. & Chen, B. T. (۲۰۱۵). A hybrid ...
  • Chester, M. (۱۹۹۳). Neural networks: a tutorial. Prentice-Hall, Inc ...
  • Dash, R. & Dash, P. (۲۰۱۶). Efficient stock price prediction ...
  • Garshasbi, A. (۲۰۱۰). A comparative study of stock returns predictors ...
  • (in Persian)Hanafizade, P. & Jafari, A. (۲۰۱۰). The hybrid model ...
  • Khashei, M. & Bijari, M. (۲۰۱۰). An artificial neural network ...
  • Li, X., Xie, H., Wang, R., Cai, Y., Cao, J., ...
  • Mohammad Alizadeh, A., Raie, R., Mohammadi, Sh. (۲۰۱۶). Prediction of ...
  • Mostafa, M. M. (۲۰۱۰). Forecasting stock exchange movements using neural ...
  • Murat, Y. S. & Ceylan, H. (۲۰۰۶). Use of artificial ...
  • Namazi, M. & Kiamehr, M. M. (۲۰۰۸). Predicting Daily Stock ...
  • Ramezanian, M. R., Ramezanpour, E., & Pourbakhsh, S. H. (۲۰۱۱). ...
  • Rather, A. M., Agarwal, A. & Sastry, V. N. (۲۰۱۵). ...
  • Saeidi, A. & Aghaei, A. (۲۰۰۹). Predicting Financial Distress of ...
  • Şenol, D. & Özturan, M. (۲۰۱۰). Stock Price Direction Prediction ...
  • Shams, Sh., NajiZavareh, M. (۲۰۱۶). Comparison between the Hybrid Model ...
  • Ticknor, J. L. (۲۰۱۳). A Bayesian regularized artificial neural network ...
  • Van Eyden, R. J. (۱۹۹۶). The Application of Neural Networks ...
  • Wei, L. Y. (۲۰۱۶). A hybrid ANFIS model based on ...
  • نمایش کامل مراجع