خلاصة:
هدف اصلی این مطالعه، بررسی و شناخت متغیرهای اصلی تاثیرگذار بر شاخص کل بورس اوراق بهادار تهران و مدلسازی آن با استفاده از شبکه های عصبی مصنوعی و مقایسه نتایج حاصله با تحلیل تکنیکال و موجهای الیوت است. متغیرهای توضیحی به کار رفته در مدل تحقیق: نرخ ارز، تورم، بیکاری، رشد تولید و حجم نقدینگی بودند و متغیر هدف در این مطالعه شاخص کل بورس اوراق بهادار تهران می باشد. در این تحقیق از شبکههای عصبی GMDH و MLP و همچنین ابزارهای تحلیل تکنیکال (امواج الیوت و کانال رگرسیون) استفاده گردید. در این خصوص شبکه GMDH نشان داد که از میان متغیرهای مورد استفاده به عنوان شاخصهای کلان اقتصادی، متغیر نرخ بیکاری متغیر زائد بوده و تاثیر آن ناچیز است. اما سایر متغیرها (نرخ ارز، تورم، رشد تولید، حجم نقدینگی) اثر مضاعفی داشتند. همچنین یافته دیگر تحقیق ضمن تایید نتایج مشابه برای شبکه عصبی و تحلیل تکنیکال، حاکی از قدرت بالاتر شبکههای عصبی در پیشبینی شاخص بورس است.
The main goal of this research is to studying an identifying the main influencing variables on the TEPIX (Tehran Stock Price Index) and modelling them using artificial neural networks and comparing results with technical analysis and Elliot waves. Independent variables used are dollar exchange rate، inflation، GDP، unemployment and liquidity and dependent variable is TEPIX. In this study، artificial neural networks (NLP and GMDH)، technical analysis tools (Elliot waves and regression channel) are used that they show between independent variables in GMDH، unemployment is unneeded variable and have low influence، but others have high influence in the model. Further the study shows that technical analysis and artificial neural networks may have same results، but ANN have more power to predict the TEPIX.
ملخص الجهاز:
(رجوع شود به تصویر صفحه) شکل ١- موج اليوت نمونه (چپ :صعودي، راست : نزولي) ٢-٥- شبکه هاي عصبي با شناخت توانايي سلول هاي عصبي در مغز انسان و مشابه سازي اين روند در سيستم هاي کامپيوتري، مفهوم شبکه هاي عصبي مصنوعي براي نخستين بار در سال ١٩٤٣ توسط مک کلاک (عصب شناس ) و پيت ١(رياضيدان ) مطرح شد و از آنجايي که مفاهيم پايه اي ارائه شده در مباحث مربوط به آن از اساس رياضي مستحکم و قابل اعتمادي برخوردار بود بعدها به طور گسترده اي مورد اقبال عمومي پژوهشگران در 3 مدلسازي پديده هاي غيرخطي قرار گرفت (هکين ٢، ١٩٩٩).
در اين مطالعه از دو شبکه GMDH و MLP جهت شبيه سازي و پيش بيني شاخص بورس استفاده شده که جداول زير نتايج ارزيابي کارايي شبکه هاي مذکور را نشان ميدهند.
شکل زير داده هاي واقعي و پيش بيني شده در بازه زماني مورد بررسي را بر اساس شبکه عصبي GMDH و MLP نشان ميدهد.
به بيان ديگر همانگونه که جدول ٣ نشان ميدهد شبکه هاي عصبي GMDH و MLP توانسته اند شاخص کل بورس را با دقت مناسبي پيش بيني نمايند، با اين حال تفاوت هاي در بين آنها قابل مشاهده است .
همچنين يافته ديگر تحقيق ضمن تاييد نتايج مشابه براي شبکه عصبي و تحليل تکنيکال ، حاکي از قدرت بالاتر شبکه هاي عصبي در پيش بيني شاخص بورس است .
همچنين يافته ديگر تحقيق ضمن تاييد نتايج مشابه براي شبکه عصبي و تحليل تکنيکال ، حاکي از قدرت بالاتر شبکه هاي عصبي در پيش بيني شاخص بورس است .