<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه تهران  - دانشکده اقتصاد</PublisherName>
				<JournalTitle>فصلنامه تحقیقات اقتصادی</JournalTitle>
				<Issn>0039-8969</Issn>
				<Volume>40</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2005</Year>
					<Month>06</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>-</ArticleTitle>
<VernacularTitle>مدل سازی و پیش بینی قیمت سهمام با استفاده از معادلات دیفرانسیل تصادفی</VernacularTitle>
			<FirstPage></FirstPage>
			<LastPage></LastPage>
			<ELocationID EIdType="pii">11454</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>دکتر حمید</FirstName>
					<LastName>خالوزاده</LastName>
<Affiliation></Affiliation>

</Author>
<Author>
					<FirstName>دکتر على خاکى</FirstName>
					<LastName>صدیق</LastName>
<Affiliation></Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
		    <Abstract>Time series processes can be classified to three models, linear models, stochastic
models and chaotic models. Based on these classification the linear models are
forecastable, the stochastic models are unforecastable and the chaotic models are
semi forecastaable. The previouse researches in the modeling and forecasting of the
stock price usually try to prove that, the fluctuations of the share prices in Tehran
Stock Exchange are not random walks in spite of the existance similarity to the
random walks. Indeed the market has a chaotic behavior. This means that, the
Efficient Market Hypothesis (EMH) is failed. Therefore by using a complex and
powerfull models such as artificial neural networks, one can forecast stock prices in
tehran stock merket. This paper proposed another approach to modeling and
forecasting of the share price. This approach is based on the Stochastic Differential
Equations. The modeling is based on the Black- Scholes pricing model. Comparison
the simulation result with the linear ARIMA model, indicates that the proposed
structrure, provides an accurate next step and the long term share prices and daily
returns forecasting.
JEL Classification: C5, C53.</Abstract>
			<OtherAbstract Language="FA">فرایندهای سری زمانی را می توان به سه طبقه خطی، تصادفی و آشوبگونه دسته بندی کرد و براین اساس قابلیت پیش بینی در فرایندهای خطی ممکن، درفرایندهای تصادفی غیرممکن و در فرایندهای آشوبگونه تا حدی ممکن است.
تحقیقات و مطالعات انجام شده قبلی در زمینه مدل سازی و پیش بینی قیمت سهام بیشتربر اساس اثبات این فرضیه بوده است که تغییرات قیمت و بازده سهام در بازار بورس و مخصوصآ بازار بورس تهران علیرغم شباهت زیادی که به رفتار تصادفی و اتفاقی دارد، اتفاقی نیست بلکه از نوع آشوبگونه است و بنابر این می توان توسط مدل های پیچیده و قوی مانند شبکه های عصبی، فازی و ترکیب های مختلف این دو روش مدل سازی و نیز پیش بینی کوتاه مدت و میان مدت را انجام داد. در این تحقیق، تغییرات قیمت و بازده سهام در بازار بورس تهران با هدف مدل سازی بر اساس معادلات دیفرانسیل تصادفی  بر روی مقوله پیش بینی، مورد مطالعه و بررسی قرار گرفته است، با در نظر گرفتن نوسانات قیمت سهام به شکل تصادفی و بر اساس مدل بلاک و شولز، مدل سازی دینامیک فرایند مولد قیمت سهام در بازار بورس تهران را با استفاده از معادلات دیفرانسیل تصادفی پیشنهاد کرده و بر این اساس مدل سازی، شبیه سازی و پیش بینی قیمت و بازده برای یکی از شرکت های عضو بازار بورس تهران انجام می گیرد، برای بررسی کارایی روش پیشنهادی مقایسه ای نیز با روش مدل سازی خطی صورت پذیرفته است.
طبقه بندی JEL:,C535C</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">انتگرال ایتو</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پیش بینی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سری زمانی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مدل سازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مدل هایARIMA</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">معادلات دیفرانسیل تصادفی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jte.ut.ac.ir/article_11454_8b36cb431b5aa0d245be4e62cdb8e6b3.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
