ارائه الگویی برای پیش بینی رفتار مالی جفت ارزها در بازار فارکس
Publish place: Financial Research Journal، Vol: 24، Issue: 2
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 210
This Paper With 28 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-24-2_005
تاریخ نمایه سازی: 23 شهریور 1401
Abstract:
هدف: مقاله حاضر با هدف دستیابی به مدلی مناسب برای پیش بینی رفتار جفت ارزهای اصلی در بازار فارکس، بر اساس نظریه آشوب و الگوریتم هیبرید صورت پذیرفته است. روش: این پژوهش از نوع کاربردی است. جفت ارزهای اصلی حاضر در بازار فارکس، دلار/ین، دلار/پوند و دلار/یورو هستند و بیشترین سهم معاملاتی را به خود اختصاص داده اند؛ از این رو برای اجرای پژوهش حاضر، این جفت ارزها به عنوان جامعه آماری انتخاب شد و در مجموع ۳۸۸۸ مشاهده (برای هر جفت ارز ۱۲۹۶ مشاهده) را دربرگرفت. بازه زمانی معاملات از ابتدای ژانویه ۲۰۱۷ تا انتهای سال ۲۰۲۱ بود. پس از بررسی داده ها و احراز وجود آشوب در میان داده ها که با استفاده از دو آزمون BDS و حداکثر نمای لیاپانوف صورت پذیرفت، به آزمون مدل های سه گانه ترکیبی برای دستیابی به بهترین و مطمئن ترین حالت پیش بینی کننده اقدام شد. یافته ها: یافته ها نشان می دهد که در داده های هر سه جفت ارز بررسی شده با توجه به آزمون BDS و حداکثر نمای لیاپانوف، وجود آشوب تایید می شود. همچنین مدل آشوب همراه با چندلایه پرسپترون و الگوریتم ژنتیک مرتب سازی غیرمسلط نخبه، نسبت به سایر مدل های مطرح در این پژوهش، عملکرد بهتری داشته است. مقادیر ضریب نابرابری تیلز و آمار آزمون DM نیز برتری هیبریدی مدل آشوب همراه با چندلایه پرسپترون و الگوریتم ژنتیک مرتب سازی غیرمسلط نخبه را نشان می دهد. نتیجه گیری: یافته ها نشان داد که مدل آشوب همراه با چندلایه پرسپترون و الگوریتم ژنتیک مرتب سازی غیرمسلط نخبه، از دو مدل ترکیبی دیگر بهتر است.
Keywords:
Authors
الهه هادی زاده
دانشجوی دکتری، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.
محمد طالقانی
دانشیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.
صغری براری نوکاشتی
استادیار، گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، 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 :