پیش بینی شاخص بازدهی بورس اوراق بهادار تهران: کاربردی از مدل های شبکه عصبی مبتنی بر الگوریتم ژنتیک

اساساً پیش بینی متغیرهای اقتصادی، از کاربرد وسیعی در برنامه ریزی و سیاست گذاری های اقتصادی از یک سو و نیز سرمایه گذاری بخش های مختلف از سوی دیگر، برخوردار است. همچنین، یکی از مهمترین اهداف مدل سازی های اقتصادی، پیش بینی آتی متغیرهای اقتصادی بوده و بالطبع قدرت این مدل ها بر اساس صحت پیش بینی شان مورد ارزیابی قرار می گیرند. در این بین، عملکرد روش های سنتی پیش بینی از قبیل تجزیه و تحلیل سری زمانی، با تردیدهایی مواجه گردیده و روش های نوینی همانند روش شبکه عصبی مصنوعی، توانایی بالقوه ی خوبی جهت پیش بینی سری های زمانی از خود نشان داده و کاربردهای فراوانی یافته اند. بنابراین، این پژوهش با هدف بررسی مدل های شبکه عصبی مبتنی بر الگوریتم ژنتیک (GMDH) جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته و به منظور ارزیابی قدرت عملکرد پیش بینی این مدل از یک مدر رگرسیونی سنتی (ARIMA) اوراق بهادار تهران صورت پذیرفته و به منظور ارزیابی قدرت عملکرد پیش بینی این مدل از یک مدل رگرسیونی سنتی (ARIMA) نیز استفاده شده است. داده های مورد استفاده در این پژوهش به صورت روزانه و مشتمل بر بازده زمانی بهمن 1388 الی دی ماه 1390 بوده که شامل 461 مشاهده می باشد. در این راستا، جهت مجزا سازی پیش بینی های داخل نمونه ای و خارج نمونه ای، از تقریباً 90% از مشاهدات (411 مشاهده) جهت تخمین ضرایب مدل و از مابقی جهت انجام پیش بینی خارج از نمونه استفاده شده است. نتایج این پژوهش بیانگر آن است که مدل شبکه ی عصبی مصنوعی مبتنی بر الگوریتم GMDH، درارای عملکرد قابل توجهی در سری بازدهی بورس تهران (در دوره نمونه) داشته و قادر است که پیش بینی های دقیق تری نسبت به مدل ARIMA ارائه دهد.

Keywords:

پیش بینی , بورس اوراق بهادار , الگوریتم ژنتیک , مدل GMDH , مدل ARIMA