چکیده:
فرایندهای سری زمانی را می توان به سه طبقه خطی، تصادفی و آشوبگونه دسته بندی کرد و براین اساس قابلیت پیش بینی در فرایندهای خطی ممکن، درفرایندهای تصادفی غیرممکن و در فرایندهای آشوبگونه تا حدی ممکن است.
تحقیقات و مطالعات انجام شده قبلی در زمینه مدل سازی و پیش بینی قیمت سهام بیشتربر اساس اثبات این فرضیه بوده است که تغییرات قیمت و بازده سهام در بازار بورس و مخصوصا بازار بورس تهران علیرغم شباهت زیادی که به رفتار تصادفی و اتفاقی دارد، اتفاقی نیست بلکه از نوع آشوبگونه است و بنابر این می توان توسط مدل های پیچیده و قوی مانند شبکه های عصبی، فازی و ترکیب های مختلف این دو روش مدل سازی و نیز پیش بینی کوتاه مدت و میان مدت را انجام داد. در این تحقیق، تغییرات قیمت و بازده سهام در بازار بورس تهران با هدف مدل سازی بر اساس معادلات دیفرانسیل تصادفی بر روی مقوله پیش بینی، مورد مطالعه و بررسی قرار گرفته است، با در نظر گرفتن نوسانات قیمت سهام به شکل تصادفی و بر اساس مدل بلاک و شولز، مدل سازی دینامیک فرایند مولد قیمت سهام در بازار بورس تهران را با استفاده از معادلات دیفرانسیل تصادفی پیشنهاد کرده و بر این اساس مدل سازی، شبیه سازی و پیش بینی قیمت و بازده برای یکی از شرکت های عضو بازار بورس تهران انجام می گیرد، برای بررسی کارایی روش پیشنهادی مقایسه ای نیز با روش مدل سازی خطی صورت پذیرفته است.
Time series processes can be classified to three models، linear models، stochastic models and chaotic models. Based on this classification the linear models are forecast able، the stochastic models are unforecastable and the chaotic models are semi forecast able. The previous researches in the modeling and forecasting of the stock price usually try to prove that، the fluctuations of the share prices in Tehran Stock Exchange are not random walks in spite of the existence similarity to the random walks. Indeed the market has a chaotic behavior. This means that، the Efficient Market Hypothesis (EMH) is failed. Therefore by using a complex and powerful models such as artificial neural networks، one can forecast stock prices in Tehran stock market. This paper proposed another approach to modeling and forecasting of the share price. This approach is based on the Stochastic Differential Equations. The modeling is based on the Black- Scholes pricing model. Comparison the simulation result with the linear ARIMA model indicates that the proposed structure provides an accurate next step and the long term share prices and daily returns forecasting.
خلاصه ماشینی:
"خطای معقولی برای پیشبینی + تصمیمگیری براساس صحت پیشبینی = تصمیم صحیح 1-1- رفتار قیمت ضمن اینکه محققان مالی اغلب معتقد هستند که نوسانات قیمت سهام متغیر با زمان است 1 ، تعداد کمی نیز عقیده دارند که شکل تابعی مشخصی برای این وابستگی زمانی وجود دارد و بهعنوان مثال نوسانات بازده سهام را بهعنوان یک فرایند پخش 2 مدل میکنند (استین و دیگران 1987, هال و دیگران 1987, داهیلن و دیگران 1991) 3 ، و نیز تعداد بسیار زیادی از محققان، نوسانات را به صورت فرایندی با مدلهای ARCH 4 در نظر میگیرند.
بدون ریسک را بهطور نمایی افزایشی با زمان فرض کرد (مانند سپرده با سود ثابت تضمینی) که با معادله دیفرانسیل معمولی زیر بیان میشود: (16) سرمایهگذاری با وجود ریسک در مدل پیشنهادی مرتن در معادلهای مشابه با معادله فوق صدق کرده با این تفاوت که این معادله شامل نوسانات تصادفی متناسب با شدت نوسانات قیمت در نظر گرفته میشود یعنی: (17) که یک فرایند نویز سفیدگوسی بوده و به صورت یک معادله دیفرانسیل تصادفی Ito به شکل زیر تعریف میشود: (18) که یک فرایند وینر استاندارد است.
از آنجایی که در این پژوهش از اطلاعات روزانه استفاده شده است، پیشبینی قیمت روز 1 بعد و بازده روز بعد سهم صورت گرفته است، این پیشبینی با توجه به زمانبری فرایند خرید و یا فروش سهام در بازار بورس تهران ممکن است چندان مفید نباشد، در مدلهای بهدست آمده، پیشبینی روز براساس اطلاعات واقعی در زمانهای صورت میگیرد، در حالیکه اگر شناسایی فرایند مولد سری زمانی صورت گرفته باشد رفتار فرایند با وجود ورودیها وشرایط اولیه کاملا مشخص شده و در مرحله - Next Price."