خلاصة:
پیشبینی شاخص قیمت بازار سهام به علت تاثیرپذیری آن از بسیاری عوامل اقتصادی و غیراقتصادی همواره امری مهم و چالش برانگیز بوده، به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیشبینی آن امری دشوار میباشد. از طرفی سریهای زمانی دنیای واقعی، برای مثال سری زمانی شاخص قیمت سهام، به ندرت دارای ساختاری کاملاً خطی و یا غیرخطی است. مدلهای هموارسازی نمایی، میانگین متحرک خودرگرسیون انباشته (آریما) و شبکه عصبی خودرگرسیون غیرخطی میتواند برای پیشبینی بر اساس سری های زمانی استفاده گردد. در این پژوهش به منظور استفاده از مزیت های هریک از این مدلها و کاهش خطای پیشبینی، روشی هیبریدی با استفاده از ترکیب خطی نتایج پیشبینی این مدلها آزمون شده است. وزنهای بکاررفته به منظور ترکیب نتایج با استفاده از الگوریتم ژنتیک و همچنین بکارگیری وزنهای مساوی تعیین گردیده است. پس از مشخص شدن قابلیت پیشبینیپذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس)، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد. نتایج بدست آمده نشان دهنده کاهش خطای پیشبینیهای صورت گرفته توسط مدل هیبریدی (در حالت استفاده از وزنهای مساوی) نسبت به مدلهای تشکیل دهنده آن است.
Forecasting stock market price index has always been a challenging task, since it is affected by many economic and non-economic factors; therefore, selecting the best and the most efficient forecasting model is difficult.The time series in the real world, including the stock price index time series, rarely have a pure linear or non-linear structure. The Exponential Smoothing Model, Autoregressive Integrated Moving Average Model, and Nonlinear Autoregressive Neural Network can be used to make forecasts based on time series. In this research, to take advantage of all these models and to reduce forecasting errors, a novel approach was tested by the linear combination of the results of these models.Weights used to combine the results, were determined using Genetic Algorithm and also equal weights. After determining the predictability of time series (using variance ratio test) the proposed hybrid methods were used on a monthly set of Tehran Stock Exchange Price Index (TEPIX). The results showed an improvement in forecasts made by this method with using equal weights compared to each of its constituent models.
ملخص الجهاز:
پس از مشخص شدن قابلیت پیش بینیپذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس )، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد.
به این صورت که نتایج ٣ مدل ؛ هموارسازی نمایی ١، میانگین متحرک خودرگرسیون انباشته (آریما)٢ که عمدتاً مربوط به داده هایی با ساختار خطی است و شبکه عصبی خودرگرسیون غیرخطی ٣ که مربوط به داده هایی با ساختار غیرخطی میباشد، یکبار با استفاده از وزن های مساوی و بار دیگر با بکارگیری وزن های حاصل از الگوریتم ژنتیک ، ترکیب میشود.
، به عبارت دیگر، آیا با ترکیب خطی نتایج مختلف ٣ مدل ٥ هموارسازی نمایی، آریما و شبکه عصبی خودرگرسیون غیرخطی توسط الگوریتم ژنتیک و همچنین استفاده از وزن های مساوی میتوان به مدل بهتری دست یافت که دارای معیارهای خطای کمتری نسبت به هریک از این ٣ مدل باشد.
محمدی و همکاران (١٣٩٤) بیان کردند با توجه به دشواری شناسایی دقیق الگوهای خطی و غیرخطی سریهای زمانی اقتصادی و مالی به منظور پیش بینی قیمت هفتگی نفت خام برنت ، از ترکیب مدل های خودرگرسیو میانگین متحرک انباشته (ARIMA) و ماشین بردارپشتیبان (SVM) استفاده میکنند.
جدول (٣) نشان دهنده نتایج این معیارهای ارزیابی برای پیش بینی مقادیر ماهیانه شاخص قیمت در دوره برون نمونه ای (٢١ مشاهده ) توسط مدل های هموارسازی نمایی، آریما، شبکه عصبی خودرگرسیون غیرخطی، هیبریدی با وزن های مساوی و هیبریدی با وزن های حاصل از الگوریتم ژنتیک است .