مدل‌سازي بازار سهام با استفاده از مدل‌هاي هوش مصنوعي و مقايسه با مدل‌هاي كلاسيك خطي

پيش‌بيني قيمت سهام به‌عنوان يك فعاليت چالش برانگيز در پيش بيني سري ‌هاي زماني مالي درنظر گرفته مي‌ شود. پيش‌بيني صحيح قيمت سهام مي ‌تواند سود زيادي را براي سرمايه ‌گذاران به بار آورد. با وجود تلاش هاي فراواني كه تا كنون براي اين منظور انجام گرفته، موفقيت چنداني در اين زمينه به‌دست نيامده است. با توجه به پيچيدگي داده ‌هاي بازار بورس، توسعه مدل ‌هاي كارآمد براي اين پيش‌بيني بسيار دشوار است. در اين مقاله، سعي در بررسي دقيق اين مسأله و ارائه روشي كارآمد براي آن داريم. براي ارزيابي روش پيشنهادي در اين مقاله، بازار سهام تهران به‌عنوان يك بازار واقعي موردبررسي قرار گرفته ‌است. براي پيش‌بيني شاخص كل سهام تهران، از سامانه‌هاي هوشمند غيرخطي همچون شبكه‌هاي عصبي مصنوعي(ANN[1]) و شبكه‌ هاي عصبي فازي(ANFIS[2]) استفاده و سپس كارايي اين مدل ‌ها با مدل‌هاي كلاسيك خطي(ARIMA[3] و SARIMA[4]) بررسي شده و همچنين علاوه‌بر داده ‌هاي شاخص كل، داده ‌هاي تأثيرگذار ديگري شامل قيمت دلار آمريكا، قيمت طلا، قيمت نفت، شاخص صنعت، شاخص ارز شناور، شاخص بازار اول و دوم در طول حدود پنج سال اخير نيز در نظر گرفته شده ‌است. داده‌ هاي اين پژوهش به‌صورت هدفمند به‌عنوان ورودي به مدل ‌هاي غيرخطي ANN و ANFIS داده مي شوند. به‌عبارت ديگر، عمل انتخاب ويژگي توسط معيار تابع اطلاعات مشترك(MI[5]) و ضريب همبستگي خطي(CC[6]) انجام مي ‌گيرد؛ در‌نهايت، ويژگي ‌هايي انتخاب مي‌ شوند كه تأثير بيشتري روي شاخص كل دارند. اين عمل باعث مي شود كه داده‌ هاي نامرتبط از مدل‌ سازي حذف شوند كه اين كار، تأثير به‌سزايي در نتايج مدل‌ سازي خواهد داشت. در‌نهايت؛ همه مدل‌ ها براساس معيار هاي رايج نيكويي برازش با همديگر مقايسه مي ‌شوند تا بتوان به ديد جامعي در مورد توانايي مدل ‌هاي مورد نظر دست يافت. نتايج مدل‌سازي، بيان‌گر اين است كه انتخاب ويژگي‌ها با روش‌هاي MI و CCدر هر دو مدل ANFIS و ANN دقت پيش‌بيني شاخص را از منظر معيار ارزيابي NashSutcliffe تا 55% افزايش مي دهد. همچنين در تمامي پنج معيار ارزيابي، عملكرد ANFIS بر ANN برتري دارد.