پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH
Publish place: Financial Economics، Vol: 4، Issue: 12
Publish Year: 1389
Type: Journal paper
Language: Persian
View: 186
This Paper With 25 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_ECJ-4-12_003
Index date: 18 December 2022
پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH abstract
اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل دهنده بازارهای مالی بوده و در واقع، شریان های اصلی یک اقتصاد محسوب می شوند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. هدف اصلی این پژوهش پیش بینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر شناخته شده ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش بینی، مدل سازی سیستم ها، بهینه سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال کردن متغیرهای کم اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه سازی در دوره آزمون است. بدین ترتیب، می توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم اثرتر را حذف نمود و در نهایت، مدل بهینه برای پیش بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون براین، این الگوریتم قادر به شناسایی و رتبه بندی تاثیرگذارترین متغیرها نیز می باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه ۰.۳۷درصد، ماهانه ۰.۳۵درصد و برای فصلی ۲.۰۴درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز، نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای موثر بوده و هیچکدام از مدل حذف نشدند
پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH Keywords:
پیش بینی , شاخص قیمت سهام , متغیر های کلان , شبکه های عصبی مصنوعی , الگوریتم GMDH. طبقه بندی JEL: E۳ , C۶
پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH authors
امید فرمان آرا
دانشجوی دوره دکتری اقتصاد دانشگاه تهران
وحید فرمان آرا
کارشناس ارشد اقتصاد دانشگاه ازاد اسلامی واحد علوم و تحقیقات
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 :