پیش بینی قیمت سهام بااستفاده ازمدلهای ترکیبی صنعت مواد دارویی

پیش بینی قیمت سهام ، یکی از چالش برانگیزترین مباحث در زمینه پیش بینی می باشد. قیمت سهام دارای ویژگیهایی از جمله نوسانات بالا، پیچیدگی، پویایی بوده، در نتیجه رابطه ضمنی بین قیمت سهام و پیش بینی کاملا پویا است. پژوهش حاضر تلاش می کند مدل هایی برای پیش بینی قیمت سهام پیشنهاد کند و به مقایسه دقت این مدل ها در پیش بینی قیمت سهام بپردازد. چارچوب مدلهای بکاررفته در این پژوهش، ترکیبی از الگوریتم ژنتیک و نقشه خودسازماندهی ، ترکیب رگرسیون بردار پشتیبان و نقشه ویژگی خودسازماندهی ، ترکیب الگوریتم جغرافیای زیستی و شبکه عصبی پرسپترون چندلایه و ترکیب نقشه خودسازماندهی و شبکه عصبی پس انتشار خطا است. متغیرهای مستقل این تحقیق، 17 شاخص تکنیکی از جمله میانگین متحرک، شاخص بیاس، شاخص مومنتوم و ... می باشد. همچنین از اطلاعات شرکت های صنعت مواد دارویی پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 6 ساله یعنی از سال 1386 الی 1391 به صورت روزانه استفاده شده است. نتایج اجرای مدل های پیش بینی، براساس دو معیار خطا (مجذور میانگین مربعات خطا و میانگین مربعات خطا) و معیار دقت مدل (ضریب تعیین) مورد بررسی قرار گرفته است. نتایج نشان دهنده دقت بالای 99 درصد هر چهار مدل ترکیبی در پیش بینی قیمت سهام می باشد. برای مقایسه خطاهای پیش بینی مدل ها با یکدیگر آزمون مک نمار بکار رفته است. نتایج این آزمون نشان دهنده این امر است که تفاوت معناداری بین مدل های بکار رفته وجود ندارد لیکن با مقایسه خطاهای پیش بینی آنها میتوان نتیجه گرفت که مدل ترکیبی رگرسیون بردار پشتیبان و نقشه خودسازماندهی از خطای کمتری نسبت به سایر مدل ها برخوردار بوده و مدل ترکیبی الگوریتم ژنتیک و نقشه خودسازماندهی با خطای بیشتری به پیش بینی قیمت سهام پرداخته است

کلیدواژه ها:

پیش بینی قیمت سهام ، شاخصهای تکنیکی ، مدلهای ترکیبی ، شبکه های عصبی