پيش‌بيني سري‌هاي زماني آشوبي با استفاده از بهينه‌سازي كلوني مورچگان در بورس اوراق بهادار تهران

Prediction of Tehran Stock Exchange using Ant Colony Optimization

وجود روش‌هاي مناسب پيش‌بيني روندهاي آينده بازار سرمايه منجر به تصميم‌گيري‌هاي بهتري از جانب فعالان اين بازارها خواهد شد. اغلب به دليل ماهيت غير‌ خطي و آشوب‌گونه بازارهاي مالي مدل‌هاي كلاسيك پيش‌بيني عملكرد مطلوبي نداشته و اطلاعات موجود در داده‌ها با گذشت زمان به‌سرعت از بين رفته و در اين صورت استفاده از آن‌ها در بلند‌مدت مفيد نخواهد بود ]1، ص 64[. هدف اين مقاله به كار بردن الگوريتم بهينه‌سازي كلوني مورچگان براي پيش‌بيني شاخص كل بورس اوراق بهادار تهران است. براي به كاربردن الگوريتم نخست با به‌كارگيري آزمون بزرگ‌ترين نماي لياپانوف ماهيت آشوبي داده‌هاي شاخص كل بورس مورد بررسي قرارگرفت، سپس با به‌كارگيري الگوريتم بهينه‌سازي كلوني مورچگان نقاط جاذب تحليل و‌ در‌نهايت با استخراج دنباله‌هاي اعداد منتهي به نقاط جاذب پيش‌بيني انجام شد. در پايان مقايسه نتايج پيش‌بيني با استفاده از آماره‌هاي سنجش خطا تاييد كرد كه الگوريتم مبني بر بهينه‌سازي كلوني مورچگان داده‌ها را به‌خوبي و با كمترين خطا نسبت به مدل‌هاي گارچ تخمين مي‌زند ، البته نتايج بررسي با استفاده از آماره دايبولد ماريانو برابري نتايج پيش‌بيني را رد نكرد. الگوريتم ارايه شده اين مقاله با تفكيك دنباله‌هاي جاذب روشي ساختارمند براي پيش‌بيني سيستم ‌هاي آشوبي ارايه مي‌دهد، بنابراين انتظار مي‌رود كه در بلند‌مدت و در پيش‌بيني‌هاي با نوسان‌هاي زياد نتايج قابل قبولي ارايه دهد.

Appropriate methods for prediction of future trends in capital markets lead to a better decision making for market participants. Classic methods don not perform well in prediction of financial markets due to the nonlinear and chaotic nature of these markets. Moreover, information extracted from data disappear quickly, so these method are not workable in the long run. The goal of this paper is using ant colony optimization algorithm for prediction of Tehran Stock Exchangeʹs total return index (TEDPIX) data. First, we used the largest Lyapunov exponent to the consider chaotic nature of TEDPIX and then the ant colony optimization paradigm we employed to analyze topological structure of the attractor behind the given time series and to single out the typical sequences corresponding to the different parts of the attractor. The typical sequences were used to predict the time series values. Eventually with respect to MSE , RMSE and MAE, ACO has lower error than GARCH and EGARCH models; however, Diebold Marino test shows that there is no difference if we use ACO or GARCH models for prediction; this represents that differences of error for different models in this article are very little. This article with detachment of typical sequences allows a structural method for prediction of chaotic data. So in prediction of data with many fluctuations and in long term, it can result to a better predictions. The algorithm of this paper is able to provide robust prognosis to the periods comparable with the horizon of prediction.