ارزيابي روش هاي تحليل آشوب، تجزيه موجك و شبكه عصبي در پيش‌بيني شاخص بورس تهران

Chaos Analysis, Wavelet Decomposition and the Performance of Neural Network Models in Forecasting Tehran Stock Exchange Index

اين مطالعه براي پيش‌بيني بازدهي شاخص قيمت و بازده نقدي بورس اوراق بهادار تهران، آشوب را تحليل و پيش‌بيني‌پذيري را بررسي كرده و نيز عملكرد انواع مدلهاي شبكه عصبي را با كمك داده‌هاي تجزيه‌شده با روش موجك ارزيابي كرده است. به‌همين منظور، از دادههاي سري‌زماني روزانه و سري بازدهي شاخص قيمت و بازده نقدي بورس طي دوره زماني 5 فروردين 1388 تا 18 ارديبهشت 1391 استفاده شده است. براساس نتايج اين مطالعه، سري بازدهي بورس در دوره بررسي‌شده، پيش ‌بيني‌پذير بوده و آثار غيرخطي معيّن و آشوبي داشته است. همچنين برطبق معكوس آماره حداكثر نماي لياپانوف، تعداد روز‌هاي پيش‌ بيني‌پذير در اين مطالعه، 31 روز به‌دست آمد. يافته ديگر اين پژوهش نيز به برتري عملكرد مدلهاي شبكه عصبي چندلايه پيش‌خور (MFNN) و شبكه عصبي فازي (ANFIS) مبتني‌بر دادههاي تجزيه‌شده به كمك تجزيه موجك در مقابل به‌كارگيري سطح داده‌ها دلالت دارد. در اين‌بين نيز برتري با مدل شبكه عصبي چندلايه پيش‌خور بوده است.

This study investigates predictability, chaos analysis, wavelet decomposition and the performance of neural network models in forecasting the return series of the Tehran Stock Exchange Index (TEDPIX). For this purpose, the daily data from April 24, 2009 to May 3, 2012 is used. Results show that TEDPIX series is chaotic and predictable with nonlinear effect. Also, according to obtained inverse of the largest lyapunov exponent, we are able to predict the future values of the series up to 31 days. Besides, our findings suggest that multi-layer feed forward neural network model and fuzzy model based on decomposed data, are of superior performances in predicting the return series. It is worth mentioning that, among these models, MFNN reveals the best performance.