طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت)

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.