پيش بيني يك روزه قيمت سهام با استفاده از مدل تركيبي

Day-ahead stock price forecasting using hybrid model

پيش‌بيني بازارهاي مالي يكي از سرفصل‌هاي مهم در حوزه مالي و مطالعات پژوهشي است. اهميت پيش‌بيني از يك سو و پيچيدگي آن از سوي ديگر باعث شده است كه تحقيقات زيادي در اين زمينه انجام شود. در اين پژوهش از يك روش تركيبي شامل تبديل موجك، مدل ARMA-EGARCH و شبكه عصبي مصنوعي براي پيش­ بيني يك دوره­اي قيمت سهام در بازارهاي ايران و آمريكا استفاده شده است. ابتدا به كمك تبديل موجك سري زماني را به چند سري جزئي و يك سري تقريبي تجزيه شده و سپس مدل ARMA-EGARCH براي پيش ­بيني سري­هاي جزئي و شبكه عصبي مصنوعي براي پيش ­بيني سري تقريبي بكار گرفته مي­ شوند. در اين مدل علاوه بر سري تقريبي، برخي از شاخص ­هاي تكنيكال نيز براي بهبود شبكه عصبي به آن داده مي ­شوند. ارزيابي مدل پيشنهادي براي پيش ­بيني قيمت در بازار ايران و آمريكا با مدل­هاي شبكه عصبي مصنوعي، ARIMA-EGARCH و ARIMA-ANN نشان داد كه مدل پيشنهادي عملكرد بهتري نسبت به ساير مدل­ها براي پيش­ بيني قيمت سهام در بازار ايران و آمريكا دارد.

Forecasting financial markets is an important issue in finance area and research studies. Importance of forecasting on one hand and its complexity, on the other hand, researchers have done much work in this area and proposed many methods. In this research, we propose a hybrid model include wavelet transform, ARMA-EGARCH and NN for day-ahead forecasting of stock market price in different markets. At first WT is used to decompose and reconstruct time series into detailed and approximated parts. an‎d then we used ARMA-EGARCH and NN models respectively for forecasting details and approximate series. In this model we used technical index by approximate part to the improvement of our NN model. Finally, we combine prediction of each model together. For validation, proposed model compare with ANN, ARIMA-GARCH and ARIMA-ANN models for forecasting stocks price in UA and Iran markets. Our results indicate that proposed model has better performance than others model in both markets.