خلاصة:
نوسانات در بازارهای مالی با سیگنال و نویز همراه میباشد. در این مقاله علاوه بر تجزیهوتحلیل طیفی تکین، برای پیدا کردن طول پنجره و نقطه برش بهینه از الگوریتم ژنتیک استفادهشده است که تابع هدف آن، یافتن حداقل مقدار برای تابع همبستگی میان مؤلفههای سیگنال و نویز میباشد. بدین خاطر ابتدا دادهای دهساله شاخص کل بورس اوراق بهادار تهران طی سالهای 1388 تا 1397 با استفاده از روش تجزیه طیفی تکین در سه پیادهسازی شد. سپس در قالب یک مسئله بهینهسازی توسط الگوریتم ژنتیک حل شد. نتایج حاصل از فرضیه اول نشان داد که تفکیکپذیری سیگنال و نویز درروش تحلیل طیفی تکین امکانپذیر میباشد. همچنین با توجه به نتایج حاصل در تحقیق، تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک با داشتن خطای قدر مطلق میانگین کمتر، بهبود در دقت پیشبینی را نشان داد. درنهایت نیز با توجه به یافتن کمترین همبستگی وزنی بین مؤلفههای سری زمانی جهت تفکیک سیگنال و نویز (یافتن نقطهی برش) و سپس با دست آوردن طول پنجرهی بهینه در تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک، گویای این واقعیت است که تغییر در مقدار پارامترها میتواند در بهبود عملکرد روش تحلیل طیفی مفید واقع شود.
ملخص الجهاز:
در اين مقاله علاوه بر تجزيه وتحليل طيفي تکين ، براي پيدا کردن طول پنجره و نقطه برش بهينه از الگوريتم ژنتيک استفاده شده است که تابع هدف آن ، يافتن حداقل مقدار براي تابع همبستگي ميان مؤلفه هاي سيگنال و نويز ميباشد.
درنهايت نيز با توجه به يافتن کمترين همبستگي وزني بين مؤلفه هاي سري زماني جهت تفکيک سيگنال و نويز (يافتن نقطه ي برش ) و سپس با دست آوردن طول پنجره ي بهينه در تحليل طيفي تکين مبتني بر الگوريتم ژنتيک ، گوياي اين واقعيت است که تغيير در مقدار پارامترها ميتواند در بهبود عملکرد روش تحليل طيفي مفيد واقع شود.
در ادامه مقاله ، روش تحليل طيفي تکين و چگونگي پيش بيني سريهاي زماني با اين روش و به دنبال آن ، بهبود درروند روش تحليل طيفي تکين با الگوريتم ژنتيک معرفي ميشود و در پايان نيز، نتايج تحليل ، بر رويدادهاي حاصل از شاخص کل بورس اوراق بهادار تهران نشان داده شده است .
A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting.
Singular Spectrum Analysis for signal extraction in Stochastic Volatility models.
Minute-ahead stock price forecasting based on singular spectrum analysis and support vector regression.
Miidla, Singular spectrum analysis forecasting for financial time series.
Time series forecasting using singular spectrum analysis, fuzzy systems and neural networks.