پيش بيني اثر متغيرهاي كلان بر شاخص قيمت سهام با استفاده از شبكه عصبي GMDH

Anticipation of Macroeconomic Variables Impact on Stock Prices Using Artificial

اقتصاد هر كشور از بخش هاي مختلفي تشكيل شده كه روابط بين اين بخش ها، سمت و سوي اقتصاد آن كشور را مشخص مي كند. در اين ميان بازار سرمايه در كنار بازار پول، به عنوان اجزاي تشكيل دهنده بازارهاي مالي بوده و در واقع، شريان هاي اصلي يك اقتصاد محسوب مي شوند، كه مسائلي نظير رشد و توسعه اقتصادي منوط به عملكرد آنها در اقتصاد است و چنانچه رابطه منطقي بين بازار مالي با بخش هاي ديگر اقتصادي وجود نداشته باشد، احتمال بروز اختلالات و نقصان هايي در ساز و كار اقتصاد وجود دارد. بازار بورس به عنوان ركن اصلي بازار مالي نقش مهمي را در تسهيل سرمايه گذاري هاي شكل گرفته در بازار سرمايه ايفا مي كند. هدف اصلي اين پژوهش پيش بيني شاخص قيمت سهام بورس تهران است. بدين روي، ضمن مرور اجمالي بر شناخته شده ترين نظريه هاي اقتصادي، به ارائه روش جديدتري نسبت به روش هاي ديگر رايج پيش بيني در گذشته پرداخته و با استفاده از مدل شبكه عصبي GMDH، اثر متغيرهاي كلان اقتصادي (شامل نرخ ارز، نرخ تورم و توليد ناخالص داخلي) بر شاخص قيمت سهام بورس اوراق بهادار تهران را الگوسازي و پيش بيني ميكنيم. الگوريتم GMDH قابليت استفاده در موضوع هاي متنوعي مانند كشف روابط، پيش بيني، مدل سازي سيستم ها، بهينه سازي و شناخت الگوهاي غيرخطي را دارد. ويژگي خاص اين الگوريتم استنتاجي، قابليت شناسايي و غربال كردن متغيرهاي كم اثر ورودي در دوره آموزش شبكه و حذف آنها از روند شبيه سازي در دوره آزمون است. بدين ترتيب، مي توان با انجام يك فرآيند قياسي، در چند مرحله تكرار، متغيرهاي كم اثرتر را حذف نمود و در نهايت، مدل بهينه براي پيش بيني را بر اساس معيارهاي رايج خطا نظير RMSE و MAPE به دست آورد. افزون براين، اين الگوريتم قادر به شناسايي و رتبه بندي تاثيرگذارترين متغيرها نيز مي باشد. نتايج به دست آمده حاكي از دقت بسيار بالا و قابليت فوق العاده الگوريتم GMDH در پيش بيني شاخص قيمت سهام بورس تهران است، به طوري كه خطاي حاصل از پيش بيني شاخص قيمت سهام بورس تهران براي داده-هاي سالانه 0.37درصد، ماهانه 0.35درصد و براي فصلي 2.04درصد است. همچنين، نتايج نشان مي دهد كه در بهترين مدل غيرخطي پيش بيني شاخص قيمت سهام با استفاده از مدل شبكه عصبي GMDH متغيرهاي نرخ ارز، نرخ تورم و توليد ناخالص داخلي همگي جزء متغيرهاي موثر بوده و هيچكدام از مدل حذف نشدند.

The economy of every country is composed of different parts, the relationship among which determines the economics direction of that country. The capital market together with money market make up the financial market as the fundamental basics of an economy. Their operation has significant influence on the growth and development of the economy. In cases where there is no constructive relationship between the financial market and other parts of the economy, economic performance might be subject to distortions. The stock market as a fundamental basic of the financial market has a crucial role in facilitation of investments in the capital market. Given the importance of expectations in different economic fields, the main purpose of this study is to project behavior of the Tehran stock exchange price index. Therefore, after a review of dominant economic theories, we use a new method, artificial neural network GMDH, to forecast the impact of macroeconomic variable on the Tehran stock exchange price index. The GMDH Algorithm is a nonlinear model to anticipate complex systematic relationships between variables of the model. The special feature of this deductive algorithm is recognition and screening of the most effective variable to estimate the model with training samples and omit the non-significant ones from the simulation process with testing samples. So, we can solve the model via iterative methods to minimize the typical standard Error like RMSE, MAPE, and so on.