ارزیابی قدرت پیش بینی قیمت سهام با استفاده از مدل های خاکستری، شبکه های عصبی ایستا و پویا (مطالعه موردی: شرکتهای فعال در صنعت بیمه عضو بورس اوراق بهادار تهران)
پیش بینی قیمت سهام موضوعی مهم در هر دو دیدگاه نظری و کاربردی است. هدف محققان، توسعه روش های پیش بینی به منظور پیش بینی دقیق تر است. سرمایه گذاران سعی در یافتن بهترین برنامه سرمایه گذاری دارند که این امر نیازمند پیش بینی آینده بازار می باشد. هدف این مقاله مقایسه روش های شبکه عصبی مصنوعی (ANN)، شبکه عصبی پویا (NARX) و مدل خاکستری (GM) برای پیش بینی قیمت سهام می باشد. داده های سری زمانی به صورت روزانه مربوط به شرکت های بیمه ای عضو بازار بورس تهران می باشد که در بازه زمانی 15/7/1388 لغایت 17/7/1396 که در بازار بورس فعالیت داشته اند . متغیرهای میانگین متحرک ساده پنج روزه (MA-5)، میانگین متحرک ساده بیست روزه (MA-20)، میانگین متحرک همگرا واگرا (MACD)، قیمت طلا، قیمت نفت و نرخ ارز به عنوان متغیرهای مستقل در نظر گرفته شده اند. با توجه به متغیرهای مساله، از سه مدل خاکستری GM(1,4), GM(1,1) و GM(1,7) جهت پیش بینی استفاده شده است. نتایج نشان می دهد روش های شبکه عصبی مصنوعی و شبکه عصبی پویا دارای کارایی یکسان می-باشند در حالیکه مدل های خاکستری کارایی پایین تری دارند. شبیه سازی های عددی نشان می دهد که روش های شبکه عصبی مصنوعی و شبکه عصبی پویا با میانگین خطا RSME=0.2 پیش بینی قابل قبولی ارایه می کنند.
- 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.