كاربرد مدل ساز اقتصاد سنجي جهت پيش بيني قيمت سهام در بازار سرمايه

Application of econometric modeler for predicting stock prices in the capital market

يكي از روش هاي مطرح در بررسي علمي بازار سرمايه استفاده از مدل سازهاي اقتصاد سنجي مي باشد . در پژوهشهاي انجام شده اغلب مدلسازهاي اقتصاد سنجي محدود، بدون مقايسه و بررسي ميزان خطاي پيش بيني ساير الگوريتم ها ، مورد بررسي قرار گرفته اند . در اين پژوهش براي رفع اين نقيصه با اجرا و مقايسه روش هاي مطرح برروي سهم هاي منتخب و بر اساس پارامترهاي ارايه شده كارا ترين الگوريتم مشخص گرديده است. از سوي ديگر اغلب مرتبه جمله خود رگرسيو و مرتبه جمله ميانگين متحرك جهت بررسي ها به صورت محدود در نظر گرفته مي شود كه بر اساس معيار اطلاعات بيزي روش تعيين درجات p و q جهت دستيابي به پاسخ بهينه را ارايه نموده ايم و با مقايسه روش هاي ميانگين متحرك خود رگرسيو ، ميانگين متحرك تجميعي خود رگرسيو ، ميانگين متحرك تجميعي خود رگرسيو فصلي ، ميانگين متحرك تجميعي خود رگرسيو با متغير توضيحي ،ميانگين متحرك تجميعي خود رگرسيو فصلي با متغير توضيحي ، مدل خود رگرسيو با واريانس ناهمساني شرطي تعميم يافته ، مدل خود رگرسيو نمايي با واريانس ناهمساني شرطي تعميم يافته و مدل رگرسيون با خطاهاي ميانگين متحرك خود رگرسيو در بازار بورس اوراق بهادار تهران مورد بررسي قرار گرفته اند.

Investing in the capital market requires deciding on issues such as selection, timing, price and share buybacks with market research. One of the ways to do this is to use econometric modelers. In the studies performed to compare methods or to present hybrid models, most econometric models have been studied without comparing and predicting the error of prediction error of other algorithms. In this research, the most efficient algorithm for solving this defect is implemented and compared with the proposed methods on selected shares and based on the proposed parameters.On the other hand, often the order of the regression and the mean of the moving average sentence are considered for the finite number of studies, which is based on Bayesian criteria for determining the p and q degrees to obtain the optimal response. This paper compares the methods of self-regressive moving average, cumulative self-regressive moving average, self-regulated seasonal moving average, self-regressive moving average with explanatory variable, cumulative mean self-regression with explanatory variable, self-regression model with variance. Generalized conditional, exponential self-regression model with generalized conditional heterogeneity variance and regression model with moving average self-regression errors for selected symbols of Tehran Stock Exchange.