ارزیابی روشهای پیش بینی قمیت سهام و ارائه مدلی غیرخطی بر اساس شبکه های عصبی

نویسندگان

چکیده

در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساساً از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.

کلیدواژه‌ها


عنوان مقاله [English]

-

چکیده [English]

In this paper, we deal with several time series of share prices and daily returns of different companies which are members of the Tehran Stock
Exchange. Three prediction methods are used for time series forecasting. The
first method, is based on the linear models (ARIMA) for short term and long term forecasting. The second method, is based on the nonlinear neural
networks model and the third method is a neural networks model with a
special structure. It has been shown the time series generator process of these
companies are complex nonlinear mappings and the methods based on the
various linear modelling strategies
are unable to identify these dynamics.
Also, it has been shown by using the conventional structure of the nonlinear neural networks that one can not obtain a satisfactory results for long term
forecasting. Finally, it is shown that the proposed structrure, provides accurate next step and the long term share prices and daily
returns forecasting.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Chaotic processes
  • Forecastability
  • Linear models
  • modeling
  • Nonlinear time series analysis
  • Time series forecasting