كاربرد روش تكنيكال براي پيش‌بيني قيمت سهام: رويكرد مدل‌هاي احتمال غيرخطي و شبكه‌هاي عصبي مصنوعي

The Application of Technical Analysis in Stock Price Forecasting: Non-linear Probability Models and Artificial Neural Networks

پيش ­بيني حركت قيمت سهام ازجمله مسائلي است كه همواره تحليل­گران و سرمايه­ گذاران با آن مواجه هستند و آنان از ابزارهاي مختلفي ازجمله تحليل­ هاي بنيادي و تكنيكال براي انتخاب سهام خوب و همچنين پيش ­بيني روند قيمتي در روزهاي آينده استفاده مي­كنند. آنچه تحليل­ گران به آن توجه دارند، توانايي تحليل تكنيكال در پيش ­بيني­ هاي كوتاه‌ مدت مي­باشد. بدين منظور، در اين مقاله، مدل­هايي با استفاده از ابزارهاي شبكه عصبي، لاجيت، پروبيت و مقدار حدي به‌ منظور پيش ­بيني جهت حركت قيمت سهم در روز بعد ارائه‌شده است. براي پياده­سازي و مقايسه مدل‌هاي ارائه‌شده، برخي از شاخص­هاي تكنيكال روزانه سهام شركت ايران­ خودرو در بورس اوراق بهادار تهران كه از جمله سهام ­هاي مورد اقبال سرمايه­ گذاران مي­ باشد، بررسي‌ شده است. بازه زماني مورد بررسي سال­هاي 1392 تا 1397 بوده است. نتايج اين پژوهش نشان مي­دهد كه در آزمون نا پارامتري برابري نسبت­ ها، ازلحاظ آماري مدل‌هاي ارائه‌ شده تفاوت معناداري باهم نداشته­ اند، اما معيارهاي سنجش خطا بيان مي­كند كه مدل پروبيت، خطاي كمتري در پيش ­بيني سهام در بازار بورس تهران دارد.

Stock price forecasting is one of the main challenges in stock market which investors and analysts are faced with. To forecast the future prices and future trend, different tools have been used among which we can refer to technical and fundamental analysis. It is noticed that technical analysis has good performance in short-time forecasting. Hence, in this paper, technical analysis has been used to estimate the probability function of stock prices. To forecast the direction of stock price movement in the following day, artificial neural networks (ANN), Logit, Probit, and extreme value models are utilized. To evaluate the performance of proposed models, daily values of Iran Khodro company stock are considered as a real case study. The nonparametric test of equality of ratios shows that the difference between the forecasting results of different models is not statistically significant. However, according to forecasting error criterion, the Probit model is more efficient than other mentioned models.