پیش بینی ارزش خالص هر واحد سرمایه گذاری( NAV ) صندوق های سرمایه گذاری مشترک بااستفاده از مدل شبکه عصبی مصنوعی
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 802
This Paper With 9 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:
NDMCONFT01_434
Index date: 29 November 2015
پیش بینی ارزش خالص هر واحد سرمایه گذاری( NAV ) صندوق های سرمایه گذاری مشترک بااستفاده از مدل شبکه عصبی مصنوعی abstract
مقاله تلاشی برای پیش بینی ارزش خالص دارایی های صندوق های سرمایه گذاری مشترک با استفاده از مدل سری زمانی اقتصاد سنجی و مدل شبکه عصبی است. در این تحقیق از میانگین ماهانه ی داده ها از ابتدای خرداد سال 1387 لغایت پایان خرداد سال 1393 برای تخمین و از میانگین ماهانه سه ماهه دوم سال 1393 جهت پیش بینی استفاده شده است. از مدل اتورگرسیون (تک متغیره) به عنوان مدل سری زمانی اقتصاد سنجی و از مدل اتورگرسیو غیرخطی (تک متغیره) به عنوان مدل شبکه عصبی و جهت ارزیابی شبکه از جذر میانگین مجذور خطای پیش بینی استفاده گردید و در نهایت نتایج این 2 مدل با یکدیگر مقایسه گردید. یافته های تحقیق نشان می دهد که پیش بینیها بر پایه ی مدل شبکه عصبی از مدل سری زمانی اقتصاد سنجی دقیق تر می باشد. بنابراین مدل شبکه عصبی خطای پیش بینی کم تری از مدل اقتصاد سنجی برای پیش بینی های یک گام جلوتر دارند و مدل تک متغیره NAR خطای پیش بینی کمتری در مقایسه با مدل AR همتای خود با مشخصات مشابه دارد. لذا شبکه عصبی مذکور از قدرت بالایی جهت پیش گویی برخوردار است.
پیش بینی ارزش خالص هر واحد سرمایه گذاری( NAV ) صندوق های سرمایه گذاری مشترک بااستفاده از مدل شبکه عصبی مصنوعی Keywords:
پیش بینی ارزش خالص هر واحد سرمایه گذاری( NAV ) صندوق های سرمایه گذاری مشترک بااستفاده از مدل شبکه عصبی مصنوعی authors
دل آرا امیری خوشکار وندانی
دانشگاه آزاد اسلامی، دانشکده مدیریت، واحد تهران مرکزی
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 :