خلاصة:
داده های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری های زمانی مالی با تناوب بالا می شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون R/S و GPH تایید می شود. در ادامه، دقت مدل های پیش بینی سری های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلندمدت را در مدل سازی سری زمانی در نظر نمی گیرند و مدل هایی مثل ARFIMA و FIGARCH، که این ویژگی را مدنظر قرار می دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری های زمانی فازی وزن دار می-باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (RMSE) در بازه های زمانی مختلف مورد مقایسه قرار می گیرد. نتایج حاصل نشان می دهند که روش فراابتکاری ارایه شده در تمامی بازه های زمانی نتیجه بهتری از مدل های متداول اقتصادسنجی ارایه می دهد.
Data with high frequency have a particular type of none stationary that is called fractional none stationary. This property causes the emergence of long-term memory in financial time series with high frequency. The existence of long-term memory in cement industry time-series is studied in this paper at first and its presence will be confirmed in a high confidence level by two tests R/S and GPH. Next، the accuracy of financial time-series forecast models such as ARMA and GARCH which don't consider the feature of long-term memory in time series modeling and models such as ARFIMA and FIGARCH that take this feature into account are compared with presented new meta heuristic that is composed of algorithm (harmony search) and weighted fuzzy time series by the way of rolling window and by the use of Root Mean Square Error criteria (RMSE) in different time intervals. The results show that the presented Meta heuristic method submits better result of common econometric models in all time intervals.
ملخص الجهاز:
در ادامه ، دقت مدل های پیش بینی سری های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلندمدت را در مدل سازی سری زمانی در نظر نمی گیرند و مدل هایی مثل ARFIMA و FIGARCH، که این ویژگی را مدنظر قرار می دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری های زمانی فازی وزن دار می باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (RMSE) در بازه های زمانی مختلف مورد مقایسه قرار می - گیرد.
Harmony Search پیش بینی شاخص سهام صنعت سیمان چگونه است ؟ پاسخ به این پرسش نوع برخورد ما را در مدل سازی بازده و تلاطم مشخص می سازد و این سؤال را پیش رو قرار می دهد که برای کسب بهترین نتایج در پیش بینی ، کدام یک از مدل های مورد استفاده نتیجه مطلوب تری را به همراه دارند.
همچنین به تحلیل تجربی و مقایسه عملکرد مدل فراابتکاری ارایه شده و مدل های ARMA،GARCH ،ARFIMA ، FIGARCH در سهام صنعت سیمان و با استفاده از برنامه نویسی پنجره غلتان در نرم افزار S-PLUS و معیار RMSE در بازه های زمانی متفاوت پرداخته و مدلی که بالاترین عملکرد را در پیش بینی دارد در هر یک از شرایط تعیین می شود.
Fuzzy time-series based on adaptive expectation model for TAIEX forecasting,Journal of Expert Systems with Applications, 34: 1126-1132.