خلاصة:
پیش بینی در بازارهای مالی همواره مورد توجه پژوهشگران و سرمایه گذاران بوده است . در این میان پیش بینی شاخص بازار از اهمیت ویژهای برخوردار است ، به طوری که همزمان با توسعه ی مدلهای سری زمانی، روشهای پیش بینی شاخص در بازارهای مالی نیز بسیار توسعه یافته اند. در این مقاله با استفاده از ترکیب خبرگان، مدلی برای پیش بینی شاخص بورس تهران ارائه گردیده است . نتایج این پژوهش نشان داد که مدل ارائه شده توانایی بالایی در مدلبندی و پیش بینی شاخص بورس تهران دارد.
Forecasting in financial markets has always been of intereste for researchers and investors. In particular، forecasting the market indexes is of major importance. Index forecasting methods in financial markets have been developed along with the development of time series models. In this paper a specific model for forecasting Tehran exchange price index was proposed based on mixture of experts. The results confirmed the high performance of the proposed model in modeling and forecasting Tehran exchange price index time series.
ملخص الجهاز:
"سینایی و دیگران (١٣٨٤) و فلاح شمس و دلنواز اصغری (١٣٨٨) با استفاده از شبکه های عصبی به پیش بینی شاخص کل بورس تهران پرداخته و نشان داده اند که شبکه های عصبی در مقایسه با مدل های کلاسیک خطی دقت بالاتری دارند.
برای این منظور یک شبکه ی عصبی محلی - سراسری خطی گوسی (یگانگی ، ١٣٨٨)، که یک مدل ترکیب خبرگان با خبره های خطی است ، استفاده شده است .
نرون های محلی نیز شبکه ی قطع متناوب را در این مدل 11 Linear Local-Global Neural Network 12 Farinas تشکیل می دهند (فاریناس و دیگران ، ٢٠٠٤).
نمودار ٥: نمودار خود همبستگی و خودهمبستگی جزیی سری زمانی zt / گام گام بنابراین با توجه به نمودارهای (٦) و (٧) توزیع برازش شده به داده ها، شکل متقارنی نداشته است و بنابراین مدل های غیر خطی پارامتری برای برازش به این داده ها مناسب نخواهند بود.
جدول ٢: مقادیر پیش بینی یک گام به جلو و مقادیر مشاهده شده از تاریخ ٩٠/٢/١ تا ٩٠/٢/٣١ تاریخ پیش بینی مشاهده تاریخ پیش بینی مشاهده 90/2/3 26639/46 26610/1 90/2/18 25700/80 25366/6 90/2/4 26694/46 26539/7 90/2/19 25304/44 25752/7 90/2/5 26515/98 26261/5 90/2/20 25978/39 26041/7 90/2/6 26141/70 26273/6 90/2/21 26211/37 26002/8 90/2/7 26286/14 25781/8 90/2/24 25990/75 26033/6 90/2/10 25580/92 25321/7 90/2/25 26056/28 25908/5 90/2/11 25135/15 24685/3 90/2/26 25861/21 25759/7 90/2/12 24414/41 25037/7 90/2/27 25700/51 25773/4 90/2/13 25243/63 25211/2 90/2/28 25786/55 25940/8 90/2/14 25317/85 25520/2 90/2/31 26045/10 26155/6 RMSE14 273/5698019 14 Root Mean Square Error نمودار ١٥: نمودار پیش بینی یک گام به جلو (خط هموار)، مقادیر مشاهده شده (خط چین ) / روز کاری ٥- بحث و نتیجه گیری در این مقاله بر مبنای مدل های ترکیب خبرگان ، ساختار مدل GLGNN٢ معرفی شد و با استفاده از آن ، مدلی برای پیش بینی شاخص بورس تهران ارائه گردید."