بهبود عملكرد پيش بيني هاي مالي با استفاده از معماري هاي مختلف تركيب مدلهاي خطي كلاسيك و غيرخطي هوشمند

امروزه بهرغم وجود روشهاي متعدد پيشبيني، هنوز پيشبيني دقيق سريهاي زماني كار چندان سادهايي نيست و اكثر محققان در صدد بهكارگيري تركيب روشهاي متفاوت به منظور دستيابي به نتايج دقيقتر ميباشند. استفاده از مدلهاي تركيبي يا تركيب مدلهاي مختلف يك راهحل معمول بهمنظور بهبود دقت پيشبيني است. در ادبيات موضوع پيشبيني سريهاي زماني، تركيب مدلهاي خطي كلاسيك و غيرخطي هوشمند يكي از معمولترين روشهاي تركيبي به منظور بهبود دقت پيشبيني ميباشد. مدلهاي ميانگين متحرك خودرگرسيون انباشته و شبكه عصبي به ترتيب از مهمترين و پركاربردترين مدلهاي خطي كلاسيك و غيرخطي هوشمند در پيشبيني سريهاي زماني ميباشند كه در چند دهه اخير به وفوردر مدلهاي تركيبي مورد استفاده قرارگرفتهاند. در اين مقاله بهمنظور بهبود دقت پيشبينيها درمحيطهاي مالي و همچنين غلبه بر محدوديتهاي مدلهاي تكي، معماريهاي مختلف تركيب اين دو مدل پيشنهاد شده است. نتايج حاصله از بهكارگيري مدلهاي تركيبي مختلف درپيشبيني شاخص قيمت سهام داووجونز، بيانگر كارآمدي مدلهاي تركيبي در تقابل با مدلهاي خودرگرسيون ميانگين متحرك انباشته و شبكههاي عصبي مصنوعي ميباشد.