چکیده:
اندازه و روند شاخص های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می باشد. جهت پیش بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول ترین آنها روشهای رگرسیون و مدل های 3ARIMA هستند اما این مدل ها در عمل جهت پیش بینی بعضی از سریها ناموفق بوده اند. در تحقیق حاضر برای پیش بینی شاخص کل بورس از مدل شبکه های عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در سه ساختار شبکه با الگوهای متفاوت ورودی استفاده گردید و نتایج مدل با نتایج مدل های رگرسیون چند متغیره و مدل های ARIMA مورد مقایسه قرار گرفت.
نتایج تحقیق نشان داد که روش شبکه های عصبی خطای RMSE به میزان قابل توجهی کمتر از RMSE روشهای دیگر است و در بازار بورس اوراق بهادارتهران پیش بینی کوتاه مدت با فاصله زمانی کمتر، مناسب تر از پیش بینی بلند مدت با فاصله زمانی طولانی تر است.
3. autoregressive integrated moving average
4. Feed Forward Neural network
5. back propagation
خلاصه ماشینی:
"این تحقیق از ابعاد علمی و کاربردی به دنبال تحقق اهداف ذیل است: هدف علمی آن بررسی وتجزیه وتحلیل امکان استفاده ازشبکه های عصبی در حل مسائل مربوط به حوزه های مالی و بازار سهام و بیان نقاط قوت و ضعف آنها وهدف کاربردی آن امکان پیش بینی شاخص کل بورس تهران با استفاده از شبکه های عصبی فرضیه اصلی:خطای پیش بینی حاصل از مدل شبکه های عصبی کوچکتر از، یا مساوی خطای پیش بینی حاصل از مدلهای ARIMA و مدلهای رگرسیون چند متغیره است.
بنابر این می توان استنباط نمودکه مدلهای شبکه ای عصبی مورد استفاده در این تحقیق پیش بینی بهتری را از شاخص کل بورس اوراق بهادار تهران نسبت به مدلهای خطی ARIMA و رگرسیون را ارائه خواهد داد.
با نگاهی دوباره به جدول بالا می بینیم که شبکه عصبی ANN2 ،با دارا بودن RMSE=14 و MAD=10 و مدل رگرسیون R2 با RMSE=22 وMAD=14 عملکرد بهتری نسبت به مدلهای همتراز خود یعنی ANN1،ANN3، R1،R3 با RMSE داشته اندوهمانطورکه ذکرگردید دراین دومدل سری زمانی پنج روز قبل به عنوان ورودی اعمال شده است و لذا بر اساس نتایج این تحقیق در بازار بورس اوراق بهادار تهران پیش بینی کوتاه مدت با فاصله زمانی کمتر، مناسب تر از پیش بینی بلند مدت با فاصله زمانی طولانی تر است.
بنابراین با توجه به نتایج حاصل ازپژوهش به سازمان بورس و شرکتهای سرمایه گذاریو سایر نهادهای مالی بازار سرمایه پیشنهاد می گردد که جهت پیش بینی روند آتی بازار بهتر است که از مدل شبکه های عصبی مصنوعی استفاده نمایند."