Abstract:
هدف: بهطور کلی سریهای زمانی مالی مانند شاخص سهام، رفتار غیرخطی، بیثبات و نویزی دارند. مدلهای ساختاری و آماری و مدلهای مبتنی بر یادگیری ماشین، اغلب توانایی پیشبینی دقیق سریهایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهرهمندی از مزایای روش گروهی مدلسازی دادهها (GMDH) و الگوریتم ژنتیک با مرتبسازی نامغلوب (NSGA II) برای پیشبینی دقیقتر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است.
روش: برای دستیابی به هدف پژوهش، از دادههای شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را بهعنوان مدلی مقاوم در برابر دادههای نویزی و نامانا برای پیشبینی بهکار میگیرد و از الگوریتم بهینهسازی چندهدفه NSGA II برای کمینهسازی خطای پیشبینی و انتخاب متغیرهای ورودی بهینه استفاده میکند.
یافتهها: نتایج بهدست آمده از مدل ترکیبی ارائهشده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیانکننده خطای کمتر و دقت پیشبینی بیشتر آن در مقایسه با مدل ARIMA برای دادههای خارج از نمونه است.
نتیجهگیری: با توجه به یافتههای تجربی میتوان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطافپذیری و توانایی بیشتری برخوردار است.
Machine summary:
یافته ها: نتایج به دست آمده از مدل ترکیبی ارائه شده در این پژوهش ، بر اساس هر سه معیار سنجش خطا، بیان کننده خطای کمتر و دقت پیش بینی بیشتر آن در مقایسه با مدل ARIMA برای داده های خارج از نمونه است .
Deb, Pratap, Agrawal, & Meyarivan بهینه سازی، نیازی به توصیف ریاضی مسئله بهینه سازی ندارد و برازندگی جواب ها را به وسیله رتبه بندی بر اساس نامغلوب بودن و فاصله ازدحامی ١ تعیین میکند.
به منظور آزمون این فرضیه که عملکرد مدل ترکیبی NSGA II-GMDH برای پیش بینی شاخص کل بورس اوراق بهادار در خارج از نمونه بهتر از مدل ARIMA است ، به پیروی از ژانگ ، هی و لیاتسیس ١ (٢٠١٢) از آزمون های ناپارامتریک فریدمن و 2 ویلکاکسون ٣ استفاده شده است .
نتایج پژوهش نشان داد که دقت پیش بینی مدل ترکیبی NSGA II–GMDH در داده های خارج از نمونه به مراتب بیشتر از مدل ARIMA است و مدل پیشنهاد شده در این پژوهش ، توانایی زیادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل از خود نشان میدهد؛ زیرا این مدل ، هم زمان از مزیت های شبکه GMDH در انعطاف پذیری و مقاومت در برابر داده های نویزی و نامانا در کنار ویژگی جست وجوی جهانی و بهینه سازی چندهدفه الگوریتم NSGA II در کمینه سازی خطای پیش بینی و یافتن متغیرهای ورودی بهینه بهره میگیرد.