ارائه يك مدل تركيبي بهبود‌ يافته با انتخاب وقفه‌ هاي خود كار براي پيش بيني بازار سهام

An Improved Hybrid Model with Automated Lag Selection to Forecast Stock Market

هدف: بهطور كلي سري‌هاي زماني مالي مانند شاخص سهام، رفتار غير‌خطي، بي‌ثبات و نويزي دارند. مدل‌هاي ساختاري و آماري و مدل‌هاي مبتني بر يادگيري ماشين، اغلب توانايي پيش‌بيني دقيق سري‌هايي با اين گونه رفتار را ندارند. بر اين اساس، هدف تحقيق حاضر، ارائه يك مدل تركيبي جديد با بهره‌مندي از مزاياي روش گروهي مدلسازي داده‌ها (gmdh) و الگوريتم ژنتيك با مرتب‌سازي نامغلوب (nsga ii) براي پيش‌بيني دقيقتر روند حركت و تغييرات شاخص كل بورس اوراق ‌بهادار تهران و مقايسه توانايي آن با مدل arima بر اساس معيارهاي سنجش خطا شامل rmse، mape و tic است.روش: براي دستيابي به هدف پژوهش، از داده‌هاي شاخص كل قيمت و بازده نقدي در بورس اوراق بهادار تهران (tedpix) طي دوره زماني مهر 1387 تا شهريور 1397 استفاده شده است. مدل تركيبي nsga iigmdh، شبكه gmdh را بهعنوان مدلي مقاوم در برابر داده‌هاي نويزي و نامانا براي پيش‌بيني بهكار ‌ميگيرد و از الگوريتم بهينه‌سازي چند‌هدفه nsga ii براي كمينه‌سازي خطاي پيش‌بيني و انتخاب متغيرهاي ورودي بهينه استفاده مي‌كند.يافتهها: نتايج بهدست آمده از مدل تركيبي ارائه‌شده در اين پژوهش، بر اساس هر سه معيار سنجش خطا، بيانكننده خطاي كمتر و دقت پيشبيني بيشتر آن در مقايسه با مدل arima براي داده‌هاي خارج از نمونه است. نتيجهگيري: با توجه به يافتههاي تجربي مي‌توان نتيجه گرفت كه مدل پيشنهادي در پوشش تغييرات ناپايدار روند حركت شاخص كل، از انعطاف‌پذيري و توانايي بيشتري برخوردار است.

Objective: In general, financial time series such as stock indexes have nonlinear, mutable and noisy behavior. Structural and statistical models and machine learning-based models are often unable to accurately predict series with such a behavior. Accordingly, the aim of the present study is to present a new hybrid model using the advantages of the GMDH method and Non-dominated Sorting Genetic Algorithm II (NSGA II) to, more accurately, predict the trend of movement and volatility of Tehran Stock Exchange Price Index, and to compare its ability with the ARIMA model based on RMSE, MAPE, and TIC error assessment criterions. Methods: For this purpose, the data of Tehran Stock Exchange Dividend and Price Index (TEDPIX) was used during the period of October 2008 to September 2013. The hybrid model NSGA II - GMDH utilizes the GMDH network as a model resistant to nonstationary and noisy data for prediction and uses the NSGA II multi-objective optimization algorithm to minimize predictive error and select the optimal input variables. Results: The results of the proposed hybrid model in this study indicated a lower error and more prediction accuracy compared to ARIMA model for out-of-sample data based on all three error criterions. Conclusion: The empirical findings of the study showed that the proposed model has higher flexibility and capability in covering unstable changes in the total index movement trend.