مقايسه قابليتهاي مدلهاي مبتني بر حافظه بلندمدت و مدل هاي شبكه عصبي پويا در پيشبيني بازدهي بورس اوراق بهادار تهران

Capability Comparison of the Models based on Long Memory and Dynamic Neural Network Models in Forecasting the Stock Return Index in Tehran Stock Exchange

اين مقاله با هدف معرفي يك الگوي مناسب جهت پيشبيني شاخص بازدهي بورس اوراق بهادار تهران صورت پذيرفته است. دادههاي مورد استفاده در اين پژوهش به صورت روزانه و شامل بازهي زماني پنجم فروردين 1388 تا سيام آبان 1390 كه مشتمل بر 616 مشاهده بوده كه جهت مجزا سازي پيشبينيهاي داخل نمونهاي و خارج از نمونه ا ي ، از ت ق ر ي با 90 % از مشاهدات ( 556 مشاهده) جهت تخمين ضرايب مدل و از مابقي 60 مشاهده) جهت انجام پيشبيني خارج از نمونه استفاده شده است. همچنين الگوهاي مورد استفاده در اين ) پژوهش عبارتند از؛ يك مدل غ ي ر خ طي ش ب كه ي عصبي مصنوعي پويا (شبكه عصبي خودرگرسيوني) 1 و نيز يك مدل رگرسيوني غيرخطي (مدل خودرگرسيوني ميانگين متحرك انباشتهي كسري) 2. يافتههاي اين پژوهش نشان ميدهد كه مدل شبكهي عصبي مصنوعي پويا در پيشبينيهاي خارج از نمونه، بر اساس معيارهاي ،4(RMSE) 3 و نيز معيار جذر ميانگين مجذور خطا (MSE) محاسبهي خطاي پيشبيني ميانگين مجذور خطا ميباشند. ARFIMA داراي عملكرد بهتري نسبت به مدل رگرسيوني غيرخطي واژه هاي كليدي: پيش بيني، بازار بورس، مدلNNAR، مدل ARFIMA

Abstract The aim of this study is to introduce an efficient nonlinear model for predicting the return of Tehran Stock Exchange (TSE) Price index. For this purpose, the daily time series of price index from Farvardin 1388 to Aban 1390 is used. This study includes 616 observations; 90% of which used for estimating coefficients and the remaining 60 observation are deduced for out of sample forecasting. By comparing the results of a nonlinear dynamic artificial neural network (NNAR) and a nonlinear regression model (autoregressive fractional integration moving average «ARFIMA»), we found that NNAR models have better performance in out of sample forecasting based on mean square error criteria (MSE) and root mean square error criteria (RMSE) than the nonlinear regression models (ARFIMA). Key Words: Forecasting, Stock Market, ARFIMA, NNAR