پیش بینی شاخص کل بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی نارکس

این پژوهش با هدف تعیین تنظیمات بهینه مدل شبکه عصبی خودرگرسیون غیرخطی با ورودی های برون زا (نارکس) برای پیش بینی روز آتی شاخص کل بورس اوراق بهادار تهران انجام شده است. سایر اهداف شامل مقایسه عملکرد مدل نارکس با مدل های شبکه عصبی خودرگرسیون غیرخطی (نار) و ورودی - خروجی غیرخطی (نایو)، توسعه بازه زمانی پیش بینی با استفاده از شبکه عصبی نار، اعتبارسنجی مدل نارکس ازطریق تحلیل حساسیت و مقایسه عملکرد آن با مدل میانگین متحرک خودرگرسیون انباشته (آریما) است. طبق داده های شاخص کل از سال ۱۳۸۸ تا ۱۴۰۲، مدل نارکس برای پیش بینی روز آتی و مدل نار برای توسعه بازه زمانی پیش بینی به کار گرفته شد. عملکرد مدل نارکس با مدل های نار، نایو و آریما براساس درصد خطای مطلق مقایسه شد. برای تعیین تنظیمات بهینه مدل نارکس و مقایسه عملکرد مدل نار با آریما نیز میانگین مجذور خطا ملاک قرار گرفت. یافته ها نشان می دهد که مدل نارکس پیشنهادی، در ترکیب با داده‎ های قیمت باز، بسته، سقف و کف، حجم معاملات و میانگین های متحرک ساده و نمایی بهترین عملکرد پیش بینی را داشته است. در مقایسه با سایر الگوریتم های آموزشی، الگوریتم لونبرگ - مارکوارت بالاترین دقت را ایجاد کرده است. نتایج اعتبارسنجی نیز برتری مدل نارکس را به الگوریتم های شبکه عصبی نار و نایو و مدل سنتی آریما تایید می کند. این پژوهش نخستین بررسی از عملکرد شبکه عصبی نارکس در پیش بینی شاخص کل بورس تهران است و یافته های آن، علاوه بر توسعه دانش نظری در زمینه کاربرد شبکه عصبی پویا می تواند به عنوان ابزاری اثربخش در اختیار تحلیلگران بازار سرمایه قرار گیرد.

کلیدواژه ها:

پیش بینی قیمت ، شاخص بورس ، شبکه عصبی نارکس ، یادگیری ماشین