بررسي امكان پيش بيني شاخص قيمت سهام در بازار سرمايه ايران و مقايسه توان پيش بيني مدل هاي خطي و غيرخطي

Predictability Test of Stock Market Price Index in Iran Investment Market and comparing Linear and Nonlinear models predictability potentials

سري هاي زماني بسيار پيچيده مانند قيمت هاي بازار سهام، معمولاً تصادفي بوده، در نتيجه، تغييرات آنها غيرقابل پيش بيني فرض مي شود. در بيشتر موارد در بررسي مشاهدات آماري مربوط به متغيرهاي اقتصادي از جمله قيمت بازار سهام، از آزمون هايي استفاده شده است كه در مواجهه با داده هاي آشوبي به اشتباه افتاده و آنها را داده هاي تصادفي تشخيص داده اند، در حالي كه اين داده ها در واقع، از مقام-هاي معيني به وجود مي آيند كه با اختلالاتي جزيي همراه مي باشند. به همين دليل آزمون هاي پيش بيني پذيري و غيرخطي براي بررسي وجود روند آشوبي معين و فرآيندهاي غيرخطي در سري زماني شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زماني 1/8/1379 تا 2/7/1386مورد استفاده قرار داده ايم كه از جمله مي توان به آزمون هايHURST،BDS، تسلسل و بعد همبستگي اشاره نمود كه نتايج به دست آمده نشان دهنده پيش بيني پذيري و وجود روند غيرخطي در داده هاي مورد بررسي بوده است. پس از حصول اطمينان از پيش بيني پذيري و وجود روند غيرخطي در داده هاي شاخص روزانه سهام، جهت ارايه مدل مناسب براي پيش بيني شاخص قيمت سهام، مدل هاي سري زماني خطي (AR) و غيرخطي (GARCH)و شبكه عصبي مصنوعي (ANN) برآورد كرده، سپس، نتايج به دست آمده از پيش بيني توسط اين مدل ها را با استفاده از معيارهايCDC، RMSE، MAE، MAPE و آمارهU – THEIL مورد مقايسه قرار داده ايم. نتايج به دست آمده از مقايسه توان پيش بيني اين مدل ها بيانگر توان بالاي پيش بيني در مدل هاي شبكه عصبي مصنوعي نسبت به مدل هاي ديگر است.

Since the highly complicated Time Series such as Stock Market Prices are usually stochastic, their changes are assumed to be unpredictable. Some tests which have been used to study the statistical observations related to the economical variables e.g. Stock Market Price, are often go wrong while encountering the chaotic data and recognize them as stochastic ones, though these data are actually generated from the deterministic systems which bear few tribulations. For this reason the predictable and non-linear tests such as HURST, BDS, Runs Test, and Correlation Dimension have been used to study the existence of deterministic chaotic trend and non-linear process in Time Series of Daily Stock Market Price Index of TEHRAN STOCK EXCHANGE from 23rd October, 2000 to 24th September, 2007. The result of the above mentioned tests shows the predictability and the existence of a non-linear process in the sample data. After the illustration of predictability and the non-linear process in daily stock index data, then the linear time series models (AR), non-linear (GARCH) and Artificial Neural Network (ANN) have been estimated to present a suitable model for predicting the Stock Price Index. Comparing the potential of predictability of these models by such criteria as: CDC, RMSE, MAE, MAPE and U-THEIL inequality coefficient, it has been revealed that there is the highest potential of predictability in Artificial Neural Network models than the other ones.