مقایسه قابلیتهای مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران

این مقاله با هدف معرفی یک الگوی مناسب جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه ی زمانی پنجم فروردین 1388 تا سی ام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیش بینی های داخل نمونه ای و خارج از نمونه ای، از تقریبا 90% از مشاهدات (556 مشاهده) جهت تخمین ضرایب مدل و از مابقی (60 مشاهده) جهت انجام پیش بینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطی شبکه ی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی)[i] و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشته ی کسری)[ii]. یافته های این پژوهش نشان می دهد که مدل شبکه ی عصبی مصنوعی پویا در پیش بینی های خارج از نمونه، بر اساس معیارهای محاسبه ی خطای پیش بینی میانگین مجذور خطا (MSE)[iii] و نیز معیار جذر میانگین مجذور خطا (RMSE)[iv]، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA می باشند.