مدل سازي و پيش بيني نوسانات بازار سهام با استفاده از تر كيب شبكه عصبي و الگوهاي واريانس شرطي

Modeling and predicting stock market volatility using neural network and conditional variance patterns

پيش بيني نوسان يكي از مسايل بسيار مهم در بازارهاي مالي است كه توجه بسياري از پژوهشگران دانشگاهي و كارشناسان اين حوزه را در چند دهه ي گذشته به خود جلب كرده است. در پژوهش حاضر با توجه به اين ضرورت، به بررسي مدلسازي و پيش بيني نوسان بازار سهام با استفاده از تركيب شبكه هاي عصبي مصنوعي و الگوهاي واريانس شرطي پرداخته مي شود. در اين تحقيق از شبكه هاي عصبي پرسپترون چند لايه (MLP) ، مدل هاي ناهمساني واريانس شرطي (ARCH) و الگوي خود رگرسيو واريانس شرطي GARCH (P,Q)استفاده شده است . جامعه آماري تحقيق ، شاخص بورس تهران براي دوره زماني فروردين سال 1387 تا فروردين سال 1397 مي باشد . تحقيق به دنبال رد يا تاييد اين فرضيه است كه "استفاده ازالگوي تركيب شبكه عصبي مصنوعي و مدل هاي واريانس شرطي دقت پيش بيني نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوي وريانس شرطي افزايش مي دهد" . نتايج بدست آمده ، صحت فرضيه فوق را تاييد مي نمايد .

Modeling and predicting stock market volatility using neural network and conditional variance patterns The fluctuation forecast is one of the most important issues in the financial markets, which attracted the attention of many academic researchers and experts in the field over the past few decades. In this study, considering this necessity, we examine the modeling and prediction of stock market volatility using the combination of artificial neural networks and conditional variance patterns. In this research, multi-layer perceptron nerve networks (MLP), conditional variance heterogeneity models (ARCH) and self-regression model and conditional variance (GARCH) (P, Q) have been used. The statistical population of the study is the Tehran Stock Exchange index for the period of April 2008 to April 2018 . The research seeks to reject or confirm the hypothesis that "the use of an artificial neural network and conditional variance models increases the accuracy of the forecast of stock market fluctuations in the Tehran Stock Exchange relative to the conditional variance model" . The results, confirm the validity of the above hypothesis.