چکیده:
هر مجموعه از ضرایب موجک بخشی از سریزمانی را در مقیاسهای زمانی متفاوت در بردارد. پیادهسازی تبدیل موجک، با بهرهگیری از بهترین موجکها در سطوح مناسب تاثیر بسزایی در نتایج تحلیلهای مالی خواهدداشت. در این پژوهش هدف، بیان اهمیت مفهوم مقیاس-زمان و بهکارگیری فواصل زمانی متفاوت در بررسی رفتار بازارهای مالی است تا مشخص شود که آیا حذف نوفه از سریزمانی میتواند دقت تصمیمگیری ما برای آینده را بالا ببرد؟ بدین منظور ابتدا 16 شاخص انتخاب شده از بورس اوراق بهادار تهران به کمک نرمافزار R و با استفاده از تبدل موجک تا پنج سطح برای 250 داده تجزیه کرده وسپس از تمامی آنها نوفهزدایی نمودیم. در مرحله بعد دو روش برای سنجش نوفهزدایی بکار بردیم یکی خوشهبندی شاخصهای منتخب به روش دندروگرام و دیگری پیشبینی سریزمانی شاخص کل با500 داده وبا استفاده از دادههای نوفهزدایی شده به دو روش موجک هار و دابشیز. نتایج هر دو روش حکایت از عملکرد بهتر نوفهزدایی با استفاده از موجک دابشیز در این سریهای زمانی داشت. هدف اصلی ما به نوعی استفاده از آنالیز موجک و نوفهزدایی از سریهای زمانی با استفاده از آن در مباحث مالی بود.
every series of Wavelet coefficients includes part of time series in the scale of different time series. Implementation of the wavelet transform, using the best Wavelet at the right levels has significant impact on the results of the results of the financial analysis.
the purpose of this study is to explanation of the importance of the concept of scale-time and the use of different time intervals in checking the behavior of the financial markets to be determined whether the removing noise from the time series can accurate the decisions we have to make in the future or not?
Therefore we analyzed 16 selected index of the Tehran Stock Exchange using software "R" and using Wavelet transformation up to five levels for 250 data then put them all under noise removing process.
In the next step we used two methods for evaluation the noise removing process. one clustering all the selected index in the dendrogram method And the other one time series predictions of total index which includes 500 data and the use of the data that has been noise removed into two methods of Haar wavelet and Daubechies.
The results of both method claim better performance using Wavelet removing noise using Daubechies wavelet in this series. our main goal is using the wavelet analysis and noise removing from time series and using that in financial topics.
خلاصه ماشینی:
در اين پژوهش هدف ، بيان اهميت مفهوم مقياس -زمان و به - کارگيري فواصل زماني متفاوت در بررسي رفتار بازارهاي مالي است تا مشخص شود که آيا حذف نوفه از سريزماني ميتواند دقت تصميم گيري ما براي آينده را بالا ببرد؟ بدين منظور ابتدا ١٦ شاخص انتخاب شده از بورس اوراق بهادار تهران به کمک نرم افزار R و با استفاده از تبدل موجک تا پنج سطح براي ٢٥٠ داده تجزيه کرده و سپس از تمامي آن ها نوفه زدايي نموديم .
سرمايه گذاران حقيقي و حقوقي، صندوق هاي سرمايه گذاري، شرکت هاي سبدگردان و شرکت - هاي مشاور سرمايه گذاري معمولا به دنبال پيش بيني شاخص کل يا قيمت سهام شرکت ها مي - باشند، اما از آن جايي که معمولا اين سريهاي زماني داراي نويز ميباشند؛ پيشنهاد ميگردد افرادي که به پيش بيني قيمت سهام و يا ساير متغيرهاي مالي در قالب سريزماني اقدام مينمايند، بهتر- است پيش از استفاده از مدل هاي پيش بيني، نسبت به نوفه زدايي داده ها اقدام نموده و سپس داده - هاي نوفه زدايي شده به عنوان ورودي به مدل هاي پيش بيني انتقال يابد [١٠].
در مرحله بعدي پيش بيني شاخص کل با داده هاي نوفه زدايي شده به وسيله موجک دابشيز و هار بررسي شده است و تمامي مراحل نيز با نرم افزار R انجام گرفته است .
(رجوع شود به تصویر صفحه) دندروگرام خوشه بندي بازده شاخص ها بر اساس داده هاي نوفه زدايي شده با استفاده از موجک دابشيز نيز در شکل دوم ارائه شده است .
بررسي رابطه بين بازده سهام و تورم در بورس اوراق بهادار تهران در زمان مقياس هاي مختلف با استفاده از تبديل موجک (wavelet).