پیش بینی شاخص بورس با شبکه های عصبی و مقایسه با مدل های آماری

پیش بینی شاخص بورس یکی از چالش های مهم در تحلیل های مالی و سرمایه گذاری است. بازار بورس به دلیل رفتار غیرخطی، نوسانات شدید و تاثیر عوامل اقتصادی و روانی، پیش بینی دقیق را دشوار می کند. پژوهش حاضر با هدف بررسی توانایی شبکه های عصبی مصنوعی در پیش بینی شاخص بورس و مقایسه عملکرد آن با مدل های آماری کلاسیک (شامل ARIMA، رگرسیون و GARCH) انجام شد.در این مطالعه، داده های تاریخی شاخص بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۵ تا ۱۴۰۳ جمع آوری و پس از پیش پردازش، برای آموزش، اعتبارسنجی و آزمون مدل ها مورد استفاده قرار گرفت. شبکه عصبی چندلایه (MLP) با دو لایه پنهان طراحی شد و عملکرد آن با استفاده از معیارهای MSE، RMSE، MAPE و R² با مدل های آماری مقایسه گردید.نتایج نشان داد که شبکه عصبی در پیش بینی شاخص بورس نسبت به مدل های آماری دقت بالاتری دارد و توانایی شناسایی روندهای کوتاه مدت و نوسانات بازار را به نحو موثرتری داراست. مدل های آماری در شرایط داده های ایستا و دوره های با نوسان کم کاربرد دارند، اما محدودیت آن ها در مواجهه با داده های غیرخطی مشهود است. همچنین، ترکیب شبکه عصبی با مدل های آماری می تواند دقت پیش بینی را افزایش دهد.پژوهش حاضر نشان می دهد که استفاده از شبکه های عصبی مصنوعی می تواند به سرمایه گذاران و تحلیلگران بازار کمک کند تا تصمیمات آگاهانه تر اتخاذ کنند و ابزارهای دقیق تری برای تحلیل بازارهای مالی فراهم شود.

کلیدواژه ها:

شبکه عصبی مصنوعی ، پیش بینی شاخص بورس ، مدل های آماری ، ARIMA ، رگرسیون ، GARCH ، سری های زمانی مالی