چکیده:
پیشبینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته میشود. در این تحقیق از شبکه های عصبی پرسپترون چند لایه (MLP ) ، مدلهای ناهمسانی واریانس شرطی (ARCH) و الگوی خود رگرسیو واریانس شرطی GARCH (P,Q)استفاده شده است . جامعه آماری تحقیق ، شاخص بورس تهران برای دوره زمانی فروردین سال ۱۳۸۷ تا فروردین سال ۱۳۹۷ می باشد . تحقیق به دنبال رد یا تایید این فرضیه است که "استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدلهای واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش میدهد" . نتایج بدست آمده ، صـحت فرضیه فوق را تایید می نماید .
خلاصه ماشینی:
مدل سازي و پيش بيني نوسانات بازار سهام با استفاده از تر کيب شبکه عصبي و الگوهاي واريانس شرطي تاريخ دريافت مقاله : ٩٨/٠٧/٠٣ تاريخ پذيرش مقاله : ٩٨/٠٧/٣٠ علي راستين فر١ محمود همت فر٢ چکيده پيش بيني نوسان يکي از مسايل بسيار مهم در بازارهاي مالي است که توجه بسياري از پژوهشگران دانشگاهي و کارشناسان اين حوزه را در چند دهه ي گذشته به خود جلب کرده است .
در پژوهش حاضر با توجه به اين ضرورت ، به بررسي مدل سازي و پيش بيني نوسان بازار سهام با استفاده از ترکيب شبکه عصبي مصنوعي و الگوهاي واريانس شرطي پرداخته ميشود.
تحقيق به دنبال رد يا تاييد اين فرضيه است که "استفاده از مدل ترکيب شبکه عصبي مصنوعي و الگوهاي واريانس شرطي دقت پيش بينينوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوي واريانس شرطي افزايش ميدهد.
٢) با استفاده از مدل ترکيبي شبکه عصبي و الگوي هاي واريانس شرطي امکان مدل سازي و پيش بيني نوسان بازار سهام در بورس اوراق بهادار تهران وجود دارد.
٤٧٢ يادداشت ها : 1Efficient Market Hypothesis 2 Miao, Chen & Zhao 3 Dash 4 Qu and Zhang 5Balduzzi & et al 6 Papadrakakis M, Tsompanakis Y and Goldberg 7Lin 8 Robert J and Van Eyden 9 Random Walk 10 Moving Average 11 Regression Method 12 ARIMA 13 Peter Zhang 14 Autoregressive Integrated 15 Moving Average 16 Song Q and Chissom 17 Financial Time Series.