مدلسازی و پیش بینی قیمت سهام با استفاده از مدل رگرسیون بردارپشتیبان (SVR) و مقایسه آن با مدل کلاسیک ARIMA
Publish place: 1st National Congress on Accounting and Management
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,837
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NOORACCOUNTING01_213
تاریخ نمایه سازی: 30 فروردین 1392
Abstract:
استفاده از مدل های خطی و غیر خطی برای پیش بینی قیمت سهام همیشه مورد توجه سرمایه گذاران، محققین و دانشجویان مسائل مالی و سازمانها و شرکت های سرمایه گذاری فعال در زمینه سهام بوده است. پیش بینی به موقع قیمت سهام، می تواند مدیران و سرمایه گذاران را برای تصمیم گیری های بهتر یاری نماید. امروزه استفاده از روش های غیر خطی در مدل سازی و پیش بینی سری های زمانی مالی بسیار متداول شده است. در سالهای اخیر یکی از تکنیک های جدید داده کاوی با نام رگرسیون بردار پشتیبان (SVR) کاربرد موفقیت آمیزی در مسائل پیش بینی سری های زمان داشته است و به دلیل دارا بودن ویژگی های برجسته توجه بسیاری از محققان را به خود جلب کرده است. در این تحقیق، با استفاده از مدل رگرسیون بردار پشتیبان، پیش بینی قیمت سهام بورس تهران را مورد بررسی قرار می دهیم و نتایج پیش بینی را با مدل کلاسیک متداول ARIMA مقایسه می کنیم. برای این منظور از شرکت های بورس تهران اطلاعات 5 شرکت فعال طی سالهای 80 الی 90 انتخاب شده است. سپس با استفاده از معیارهای ارزیابی عملکرد MAE, MSE و NMSE این دو روش را با هم مقایسه ک رده و مشاهده شد که نتایج (در مواردی که داده ها بیشتر غیر خطی هستند) حاکی از برتری مدل SVR نسبت به مدل ARIMA است.
Keywords:
Authors
باقر شمس زاده
استادیار گروه حسابداری دانشگاه بوعلی سینا
مجید صادقی فر
استادیار گروه آمار دانشگاه بوعلی سینا
سمیه حاجی بابایی
دانشجوی کارشناسی ارشد حسابداری دانشگاه آزاد اسلامی واحد همدان
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 :