مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از تر کیب شبکه عصبی و الگوهای واریانس شرطی

مهندسی مالی و مدیریت اوراق بهادار

مقاله 19، دوره 11، شماره 43، تیر 1399، صفحه 451-473   

نوع مقاله: مقاله پژوهشی

نویسندگان

علی راستین فر¹؛ محمود همت فر^{* 2}

¹گروه مدیریت مالی ، واحد الکترونیک ، دانشگاه آزاد اسلامی ، تهران ، ایران

²گروه مدیریت مالی ، واحد بروجرد ، دانشگاه آزاد اسلامی ، بروجرد ، ایران

چکیده

پیش‌بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب‌ شبکه‌ های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته می‌شود.
در این تحقیق از شبکه های عصبی پرسپترون چند لایه (MLP ) ، مدل‌های ناهمسانی واریانس شرطی (ARCH) و الگوی خود رگرسیو واریانس شرطی GARCH (P,Q)استفاده شده است . جامعه آماری تحقیق ، شاخص بورس تهران برای دوره زمانی فروردین سال ۱۳۸۷ تا فروردین سال ۱۳۹۷ می باشد . تحقیق به دنبال رد یا تایید این فرضیه است که "استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدل‌های واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش می‌دهد" . نتایج بدست آمده ، صـحت فرضیه فوق را تایید می نماید .

کلیدواژه‌ها

نوسانات بازار سهام؛ شبکه های عصبی؛ الگوهای واریانس شرطی

مراجع

 

 

حاتمی نیما, میرزازاده حجت, ابراهیم پور رضا. (1389). 'ترکیب شبکه های عصبی برای پیش بینی قیمت سهام', پژوهشنامه اقتصاد کلان, 10.1(39), pp. 61-80.

نادر مهرگان پرویز محمدزاده و محمود حقانی، ،یونس سلمانی. (1391). بررسی الگوی چند رفتاری رشد اقتصادی در واکنش به نوسانات قیمت نفت خام: کاربردی از مدل های GARCH و رگرسیون چرخشی مارکف. تحقیقات مدل سازی اقتصادی تابستان 1392 شماره 12.

 

Balduzzi, P., & Reuter, J. (2012). Heterogeneity in Target-Date Funds: Optimal Risk-Taking or Risk Matching? (No. w17886). National Bureau of Economic Research.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.

Dash, R., & Dash, P. (2016). Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique. Expert Systems with Applications, 52, 75-90.

Malkiel, B. G., & Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417.

Miao, K., Chen, F., & Zhao, Z. G. (2007). Stock price forecast based on bacterial colony RBF neural network [j]. Journal of Qingdao University (Natural Science Edition), 2(011).

 

همه

 

Hatami Nima, Mirzazadeh Hojat, Ebrahimpour Reza. (1389). "Combination of neural networks for forecasting stock prices", Macroeconomic Research Journal, 10.1(39), pp. 61-80.

Nader Mehrgan Parviz Mohammadzadeh and Mahmoud Haqqani, Younes Salmani. (2011). Investigating the multi-behavioral model of economic growth in response to crude oil price fluctuations: application of GARCH and Markov cyclic regression models. Economic modeling research, summer 2012, number 12.

 

Balduzzi, P., & Reuter, J. (2012). Heterogeneity in Target-Date Funds: Optimal Risk-Taking or Risk Matching? (No. w17886). National Bureau of Economic Research.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.

Dash, R., & Dash, P. (2016). Efficient stock price prediction using a self-evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique. Expert Systems with Applications, 52, 75-90.

Malkiel, B. G., & Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417.

Miao, K., Chen, F., & Zhao, Z. G. (2007). Stock price forecast based on bacterial colony RBF neural network [j]. Journal of Qingdao University (Natural Science Edition), 2(011).