بررسی تطبیقی خطای مدلهای خطی،غیرخطی در پیش بینی شاخص کل

هدف این پژوهش طراحی مدلی برای پیش بینی شاخص کل بورس تهران با استفاده از سیستم استنتاجی عصبی فازی تطبیقی و مقایسه آن با روش شبکه عصبی و مدل آریما است. در این پژوهش از اطلاعات هفتگی نرخ تورم، نرخ ارز، شاخص نفت و وقفه های هفتگی شاخص کل بازار در طی سال های1385 تا مرداد ماه 1391 برای پیش بینی شاخص کل بازار استفاده شده است. از 75%داده ها برای آموزش سیستم و 25%داده ها برای آزمایش مدل با استفاده از نرم افزار مطلب(MATLAB) و ایویوز(Eviews) و تعدادی توابع عضویت استفاده شد. نتایج نشان داد انواع خطاهای پیش بینی در سیستم استنتاجی عصبی فازی تطبیقی کمتر از شبکه عصبی و مدل آریما است. همچنین خطای پیش بینی شاخص کل بازار در روش های غیرخطی مانند عصبی فازی و شبکه عصبی کمتر از روش خطی آریما است. در بین انواع توابع عضویت، تابع عضویت مرکب هلالی با 286 داده آموزشی کمترین خطای پیش بینی را در سیستم استناجی عصبی فازی تطبیقی دارد. بین انواع ساختارهای شبکه عصبی ساختاری با 4 ورودی، 30 نرون در لایه پنهان با تابع تانژانت سیگموئیدی و یک خروجی کمترین خطای پیش بینی را دارد. در بین انواع مدل های آریما ساختاری با مرتبه اتورگرسیو4 و میانگین متحرک3 و با 276 داده آموزشی کمترین خطای پیش بینی را دارد.

کلیدواژه ها:

پیش بینی ، شبکه عصبی فازی ، شبکه عصبی ، مدل خطی آریما