طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت)
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
این پژوهش به معرفی مدل هایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیش بینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 می پردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی شاخص کل بورس موجب شده تا علاوه بر مدل های دارای حافظه کوتاه مدت GARCH و EGARCH در این پژوهش از مدل های FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدل های حافظه کوتاه مدت، با توجه به کارایی بهتر مدل های ترکیبی (در مقایسه با مدل های فردی) در پیش بینی داده های مالی، در این مطالعه، تمامی مدل های خانواده GARCH (اعم از کوتاه مدت و بلندمدت) با شبکه عصبی مصنوعی ترکیب و با استفاده از مدل های ترکیبی حاصل شده، بازده شاخص بورس برای 10 روز آینده به صورت گام به گام پیش بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته های تحقیق نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش بینی بازده شاخص کل سهام کارآمدتر و دارای خطای پیش بینی کمتری نسبت به سایر مدل های رقیب است.
کلیدواژگان:
زبان:
فارسی
انتشار در:
صفحات:
231 تا 257
لینک کوتاه:
magiran.com/p2165009
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!