مطالعه‌اي بر رفتار داده‌هاي بازده شاخص بورس تهران و ارائه روش پيش‌بيني تغيير رژيم مبتني بر شبكه‌هاي عصبي عميق

A study on the characteristics of TSE index return data and introducing a regime switching prediction method based on neural networks

در‌اين پژوهش با نگاهي آماري بر داده‌هاي بورس تهران اقدام به شناسايي رفتار و فرآيند توليد داده‌هاي بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون‌هاي متعدد، با شناسايي رفتار آماري‌اين داده‌ها و اظهارنظر راجع به كارايي‌اين بازار، اقدام به توسعه مدلي نوين براي پيش‌بيني آن شده است. لازم به ذكر است كه ساختار مدل ارائه شده مطابق با رفتار آماري‌اين داده‌ها تدوين شده است. مدل ارائه‌شده متشكل از دو شبكه عصبي مصنوعي احتمال تركيبي و حافظه كوتاه‌مدت و بلندمدت ماندگار مي‌باشد كه با در نظر گرفتن تعداد رژيم‌هاي رفتاري متفاوت، حركات روزانه بازده شاخص بورس تهران را در بازه زماني آذر 1387 تا فروردين 1400 توضيح مي‌دهد. آزمون‌هاي متفاوت كارايي ضعيف بازار را رد كرده و ذات آشوبي را در رفتار بازده شاخص كل بورس تهران نشان مي‌دهد. مدل ارائه‌شده در‌اين پژوهش توانسته است دقت بهتري نسبت به مدل بدون در نظر گرفتن رژيم كسب بنمايد. آزمون ديابولد ماريانو معني‌دار بودن‌اين تفاوت دقت مدل‌ها را تائيد كرده و آزمون معكوس با در نظر گرفتن هزينه معاملاتي نشان داده است كه استراتژي‌اين مدل با در نظر گرفتن چند رژيم، بازده بالاتري نسبت به مدل بدون رژيم و شاخص بازار كسب مي‌كند.

This research has aimed at studying the characteristics and data generation process of TSE index daily return. Applying various tests showed that return data of TSE index follows a chaotic and clustered behavior. Furthermore, beside the condition of efficiency in this market, a novel prediction method is developed. The method introduced in this paper is formed from two consecutive neural networks; a mixture density neural network and a Long short-term memory neural network. It is worthy of note that the proposed method is associated with the inferred statistical structure from the data. The entire model is compiled in order to predict TSE index considering various number of regimes using daily data December 2008 up to April 2021. Results from various statistical tests rejected the weak form of efficiency and manifested a chaotic behavior in TSE index return. Furthermore, the developed prediction method gained higher accuracy than the same method without considering regimes. Results from Diebold-Mariano test significantly implied the differences of the accuracy between the models with regimes and without regimes. Finally, a back test by considering transaction cost showed that the strategy based on the predicted direction of the model with regimes gains higher return than market benchmark and the model without regimes.