مقایسه مدل های رشد لجستیکی با مدل های رقیب در پیش بینی شاخص کل بورس اوراق بهادار تهران
Publish place: Financial Research Journal، Vol: 21، Issue: 2
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 204
This Paper With 29 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-21-2_006
تاریخ نمایه سازی: 20 بهمن 1400
Abstract:
هدف: هدف اصلی این مطالعه مقایسه مدل های رشد لجستیکی هاروی، هاروی، شبکه عصبی غیرخطی اتورگرسیو و طراحی و یافتن مدلی بهینه با دقت پیش بینی بهتر برای داده های شاخص کل بورس تهران است که این مدل وابستگی زیادی به مقادیر گذشته خود دارد، پرنوسان است و روند حرکتی غیرخطی دارد که تاکنون مغفول مانده است. روش: در این پژوهش با به کارگیری مدل های رشد «لجستیک هاروی» و «هاروی» و افزودن جزء غیرخطی بر اساس بسط سری تیلور توابع مثلثاتی روی داده های روزانه مربوط به سال های ۱۳۹۳ تا ۱۳۹۵، نوسانهای شاخص کل بورس به چهار گروه دسته بندی شدند و ضمن مشخصشدن کارآمدی این مدل ها بر اساس معیارهای پیش بینی، نتایج آن با شبکه عصبی غیرخطی اتورگرسیو ارزیابی و مقایسه شد. یافته ها: نتیجه آزمون های ریشه واحد دیکی فولر و BDS بیانکننده این است که داده ها مانا هستند و رفتار غیرخطی دارند. در مرحله برآورد، از آنجا که مدل های لجستیک هاروی و هاروی ریشه میانگین مربعات خطای بالا و ضریب تعیین کم داشتند، خوبی برازش آنها در هر چهار نوع داده تایید نشد. با افزودن جزء غیرخطی به مدل هاروی برازش بسیار مناسبی از شاخص کل بورس با ضریب تعیین حداقل ۸/۹۹درصد و حداقل ریشه میانگین مربعات خطا ب دست آمد که حتی در مقایسه با شبکه عصبی غیرخطی اتورگرسیو بهتر بود. نتیجه گیری: نتایج پژوهش نشان می دهد که ترکیب مدل هاروی با جزء غیرخطی، در مقایسه با دو مدل رشد لجستیکی هاروی و شبکه عصبی غیرخطی اتورگرسیو، شاخص کل بورس تهران را بهتر پیش بینی می کند.
Keywords:
Authors
حامد منصوری گرگری
دانشجوی دکتری، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
حسن خداویسی
دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :