مطالعه ای بر رفتار داده های بازده شاخص بورس تهران و ارائه روش پیش بینی تغییر رژیم مبتنی بر شبکه های عصبی عمیق
محل انتشار: مجله چشم انداز مدیریت مالی، دوره: 11، شماره: 34
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 182
فایل این مقاله در 27 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_FINANC-11-34_006
تاریخ نمایه سازی: 22 فروردین 1401
چکیده مقاله:
در این پژوهش با نگاهی آماری بر داده های بورس تهران اقدام به شناسایی رفتار و فرآیند تولید داده های بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون های متعدد، با شناسایی رفتار آماری این داده ها و اظهارنظر راجع به کارایی این بازار، اقدام به توسعه مدلی نوین برای پیش بینی آن شده است. لازم به ذکر است که ساختار مدل ارائه شده مطابق با رفتار آماری این داده ها تدوین شده است. مدل ارائه شده متشکل از دو شبکه عصبی مصنوعی احتمال ترکیبی و حافظه کوتاه مدت و بلندمدت ماندگار می باشد که با در نظر گرفتن تعداد رژیم های رفتاری متفاوت، حرکات روزانه بازده شاخص بورس تهران را در بازه زمانی آذر ۱۳۸۷ تا فروردین ۱۴۰۰ توضیح می دهد. آزمون های متفاوت کارایی ضعیف بازار را رد کرده و ذات آشوبی را در رفتار بازده شاخص کل بورس تهران نشان می دهد. مدل ارائه شده در این پژوهش توانسته است دقت بهتری نسبت به مدل بدون در نظر گرفتن رژیم کسب بنماید. آزمون دیابولد ماریانو معنی دار بودن این تفاوت دقت مدل ها را تائید کرده و آزمون معکوس با در نظر گرفتن هزینه معاملاتی نشان داده است که استراتژی این مدل با در نظر گرفتن چند رژیم، بازده بالاتری نسبت به مدل بدون رژیم و شاخص بازار کسب می کند.
کلیدواژه ها:
نویسندگان
امین امینی مهر
دانشجوی کارشناسی ارشد مدیریت مالی، موسسه آموزش عالی ارشاد دماوند، تهران، ایران.
سعید باجلان
استادیار، گروه مالی و بیمه، دانشگاه تهران، تهران، ایران.
هانیه حکمت
استادیار، گروه حسابداری، دانشگاه الزهراء، 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 :