ارائه یک مدل ترکیبی بهبود یافته با انتخاب وقفه های خودکار برای پیشبینی بازار سهام
عنوان مقاله: ارائه یک مدل ترکیبی بهبود یافته با انتخاب وقفه های خودکار برای پیشبینی بازار سهام
شناسه ملی مقاله: JR_JFR-20-3_007
منتشر شده در در سال 1397
شناسه ملی مقاله: JR_JFR-20-3_007
منتشر شده در در سال 1397
مشخصات نویسندگان مقاله:
معین نیکوسخن - کارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
خلاصه مقاله:
معین نیکوسخن - کارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
هدف: بهطور کلی سری های زمانی مالی مانند شاخص سهام، رفتار غیر خطی، بی ثبات و نویزی دارند. مدل های ساختاری و آماری و مدل های مبتنی بر یادگیری ماشین، اغلب توانایی پیش بینی دقیق سری هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره مندی از مزایای روش گروهی مدلسازی داده ها (GMDH) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) برای پیش بینی دقیقتر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است. روش: برای دستیابی به هدف پژوهش، از داده های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر ۱۳۸۷ تا شهریور ۱۳۹۷ استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را بهعنوان مدلی مقاوم در برابر داده های نویزی و نامانا برای پیش بینی بهکار میگیرد و از الگوریتم بهینه سازی چند هدفه NSGA II برای کمینه سازی خطای پیش بینی و انتخاب متغیرهای ورودی بهینه استفاده می کند. یافتهها: نتایج بهدست آمده از مدل ترکیبی ارائه شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیانکننده خطای کمتر و دقت پیشبینی بیشتر آن در مقایسه با مدل ARIMA برای داده های خارج از نمونه است. نتیجهگیری: با توجه به یافتههای تجربی می توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف پذیری و توانایی بیشتری برخوردار است.
کلمات کلیدی: الگوریتم ژنتیک با مرتب سازی نامغلوب, پیشبینی بازار سهام, روش گروهی مدلسازی داده ها, سریهای زمانی مالی, مدل ترکیبی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1394937/