Abstract:
در این تحقیق شاخص کل سهام بورس اوراق بهـادار تهـران بـا اسـتفاده از مـدل هـای مختلـف شبکه های عصبی پیش بینی شده است . تحقیق از نوع کاربردی است و دورة زمانی انجـام تحقیـق از ابتدای سال ٨١ تا پایان سال ٩٠ است . گـردآوری اطلاعـات از طریـق آمـار و داده هـای موجـود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته اسـت . بـرای ایجـاد مـدل WDBP از موجک db٥ برای نویززدایی داده ها و تا پنج مرحله صورت گرفته اسـت . جـذر میـانگین مربعـات خطا (RMSE) معیار ارزیابی برای سنجش خطای پیش بینی است . نتایج این تحقیق نشان می دهد، عملکرد شبکة عصبی موجکی در پیش بینی شاخص سهام سطح خطای کمتری دارد و از شبکة عصبی بهتر است .
In this research، the total equities in Tehran Stock Exchange are predicted using different neural network models. Research hypothesis states that the performance of WDBP wavelet neural network model for stock index prediction is better than PB neural network model and research period is ten years from the beginning of 2002 to the end of 2011. Information is collected from the statistics and data in Tehran Stock Exchange’s database. In order to create the WDBP model، db5 wavelet is used for denoising the data in five steps. The criterion used for measuring the prediction error is root mean square error (RMSE). Wilcoxon hypothesis test is conducted on results after prediction by neural networks. Test results indicate that the significance level of overall index is less than 0.05. Therefore، the null hypothesis is rejected. In other words، there is a significant difference between the prediction of neural network method and that of wavelet neural network.
Machine summary:
"درخصوص مطالعة حاضر، راعی و چاوشی (سال ١٣٨٢) در پژوهشی با عنوان «پـیش بینـی شـاخص سهام در بورس اوراق بهادار تهران : مدل شبکه های عصبی و مدل چندعاملی »، به پیش بینی پذیری رفتـار بازده سهام در بورس اوراق بهادار تهران به وسیلة مدل خطی عاملی و شبکه های عصبی مصنوعی پرداخته شده که برای آزمون این مسئله ، بازده روزانة سهام شرکت توسعة صنایع بهشهر برای نمونه انتخاب شـده و متغیرهای مستقل ورودی ، پنج متغیر کلان اقتصادی یعنی شاخص کل بـازده بـورس تهـران ، نـرخ ارز (دلار) در بازار آزاد و بازده نفت و بازده طلاست .
طبق نتایج این پژوهش ، رفتار سری زمانی سهام شرکت ها در بازة پـنج سـالة ١٣٧٧ الـی ١٣٨٢ یـک فرایند تصادفی نیست و دارای حافظه است ؛ همچنین ، شبکه های عصبی مصنوعی با میـزان خطـای نسـبتا مناسبی می تواند بازده روزانه را پیش بینی کنند (نمازی و کیامهر، ١٣٨٦).
(به تصویر صفحه مراجعه شود) شکل ٣: تجزیة موجک شاخص کل ١٣٨١-١٣٨٢ سطح اول اگرچه بسیاری از مدل های مختلف شبکة عصبی بر سرمایه گذاری اعمال شده اند، در ایـن پـژوهش استفاده از شبکة عصبی BP به دلیل کاربرد عمومی اش در موضع پیش بینی هـای کوتـاه مـدت برگزیـده شده است .
میزان خطای هر مدل در جدول زیر نشان داده شده است : جدول ٢: مقایسة RMSE برای شش مدل پیش بینی شاخص کل در هریک از بازه ها (به تصویر صفحه مراجعه شود) مقادیر به دست آمده از سـتون BP٠، جـذر میـانگین مربعـات خطـای شـبکة عصـبی مصـنوعی و مقـادیر به دست آمده از ستون BP١ تا BP٥، جذر میانگین مربعات خطای شبکه های عصبی موجکی است ."