پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از مدل شبکه عصبی مصنوعی(ANN) و مدل خود‌رگرسیون میانگین متحرک انباشته (ARIMA) : مطالعه موردی دو شرکت دارویی فعال بورس اوراق بهادار

مهندسی مالی و مدیریت اوراق بهادار

مقاله 16، دوره 11، شماره 44 - شماره پیاپی 3، مهر 1399، صفحه 350-371   

نوع مقاله: مقاله پژوهشی

نویسندگان

احمد چگنی¹؛ عزیز گرد^{* 2}

¹گروه حسابداری، دانشکده مدیریت و حسابداری، تهران،واحد غرب، دانشگاه پیام نور، تهران، ایران

²گروه حسابداری، دانشکده مدیریت و حسابداری،تهران، واحدغرب، دانشگاه پیام نور، تهران، ایران

چکیده

در این تحقیق به مقایسه کارایی دو روش پیش‌بینی شبکه عصبی مصنوعی (ANN) و روش سنتی خودرگرسیون میانگین متحرک انباشته (ARIMA) در پیش‌بینی قیمت سهام در بازار سهام ایران پرداخته شده است. بدین منظور 2 شرکت دارویی البرز‌دارو و جام‌دارو انتخاب شده و مدل ARIMA و مدل شبکه عصبی مصنوعی برای هر دو شرکت تخمین زده شد. به منظور تخمین مدل شبکه عصبی مصنوعی، متغیر قیمت سهام به عنوان متغیر وابسته و متغیر‌های حجم معاملات سهام، شاخص صنعت دارو، قیمت نفت اوپک، نرخ ارز و قیمت طلا به عنوان متغیر‌های مستقل در نظر گرفته شد. برای مقایسه دو مدل نیز از معیارهای MSE,RMSE,MAD,R2 و MAPE استفاده شد. به منظور تخمین مدل رگرسیون پیش‌بینی قیمت سهام از فرآیند خود‌رگرسیون میانگین متحرک انباشته (ARIMA) استفاده و تخمین ضرایب مدل با استفاده از نرم‌افزار آماری EVIEWS انجام شده و مدل شبکه عصبی مصنوعی(ANN) مناسب برای پیش‌بینی قیمت سهام نیز با استفاده از نرم‌افزار MATLAB ساخته شد. نتایج تحقیق نشان داد که فرضیه تحقیق در صورت تأثیر متغیر‌های کلان اقتصادی بر روی قیمت سهام صحیح بوده و مدل شبکه عصبی مصنوعی (ANN) پیش‌بینی بهتری از قیمت سهام در بازار سهام ایران در مقایسه با روش خود‌رگرسیون میانگین متحرک انباشته (ARIMA) دارد.

کلیدواژه‌ها

مدل پیش بینی؛ قیمت سهام؛ شبکه عصبی مصنوعی؛ مدل ARIMA

مراجع

1. آذر، عادل. اعتمادی، حسین و بقایی، وحید. (1391). به کارگیری شبکه­های عصبی مصنوعی در پیش­بینی سود­آوری شرکت­ها (شرکت­های عضو بورس اوراق بهادار تهران)، پایان­نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه تربیت مدرس.
2. اشلقی طلوعی، عباس و حق­دوست، شادی. (1388). مدل­سازی پیش­بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش­های پیش­بینی ریاضی. پژوهش­نامه اقتصادی.
3. امینی آرش، زهرا. (1395) . پیش­بینی بازده سهام با استفاده از مدل شبکه عصبی مصنوعی، شبکه عصبی فازی و آلگوریتم ژنتیک (مطالعه موردی بانک­های پذیرفته­شده در بورس اوراق بهادار تهران)، پایان­نامه کارشناسی ارشد حسابداری، دانشکده حسابداری، دانشگاه آزاد اسلامی(واحد شهر قدس).
4. بادبروت˓ عزالدین. (1392). مقایسه کارایی مدل­های هوش مصنوعی و مدل ARMA برای پیش­بینی قیمت سهام: مطالعه موردی هشت شرکت فعال بورس اوراق بهادار تهران، پایان­نامه کارشناسی ارشد اقتصاد – گرایش نظری˓ دانشگاه سیستان و بلوچستان.
5. خاکیه˓ سیما. (1391). مقایسه قدرت پیش­بینی روش­های ARIMA, FARIMA و شبکه عصبی در پیش­بینی شاخص قیمت سهام (مطالعه موردی بورس اوراق بهادار تهران)، پایان­نامه کارشناسی ارشد اقتصاد–گرایش توسعه و برنامه­ریزی اقتصادی˓ دانشکده اقتصاد و حسابداری˓ دانشگاه آزاد اسلامی (واحد تهران مرکزی).
6. خالوزاده، حمید و خاکی­صدیق، علی. ارزیابی روش­های پیش­بینی قیمت سهام و ارایه مدلی غیر­خطی بر اساس شبکه­های عصبی. مجله تحقیقات اقتصادی، سال چهارم، شماره 63، صفحات 43-85
7. خراشادی­زاده، محمد. (1395). کاربرد مدل­های عصبی مصنوعی و خود­رگرسیونی در پیش­بینی قیمت صادرات مواد معدنی ایران: مطالعه موردی سنگ آهن و کرومیت. پایان­نامه کارشناسی ارشد، دانشگاه پیام­نور مشهد.
8. زارعی، لیلا. (1394). پیش­بینی روند بازار سهام در بورس اوراق بهادار تهران با استفاده از شبکه­های عصبی پویا و بر اساس شاخص قیمت دلار، نفت و طلا. پایان­نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی.
9. سراییان، آناهیتا. (1396). مقایسه روش­های رگرسیون خطی، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش­بینی قیمت سهام شرکت فولاد مبارکه اصفهان. پایان­نامه کارشناسی ارشد، دانشکده مدیریت، دانشگاه شیخ بهایی.
10. صدیقی، اچ.آر. (1386). اقتصادسنجی رهیافت کاربردی. ترجمه شمس­اله شیرین­بخش ]تهران[: انتشارات آوای نور.
11. کوهساری، بابک. (1393). بررسی مقایسه­ای آلگوریتم ژنتیک و شبکه عصبی در ارایه مدل­های پیش­بینی قیمت سهام، مطالعه موردی فولاد مبارکه اصفهان. پایان­نامه کارشناسی ارشد، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان.
12. موسوی، فاطمه­السادات. (1390). پیش­بینی قیمت سهام شرکت فرآورده­های نفتی پارس با استفاده از شبکه عصبی و روش رگرسیونی. پایان­نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه یزد.
13. هاشمی اولادی، عبدالکریم. (1393). بررسی نتایج بکارگیری مدل­های شبکه عصبی مصنوعی و گارج در پیش­بینی شاخص بورس اوراق بهادار تهران، پایان­نامه کارشناسی ارشد (A) ، دانشکده مدیریت ، دانشگاه ازاد اسلامی (واحد تهران مرکز).
14. صادقی، حسین. ذوالفقاری، مهدی و الهامی­نژاد، مجتبی. (1390). مقایسه عملکرد شبکه­های عصبی و مدل ARIMA در مدل­سازی و پیش­بینی کوتاه­مدت قیمت سبد نفت خام اوپک (با تأکید بر انتظارات تطبیقی). فصلنامه مطالعات اقتصاد انرژی، سال هشتم، شمارع 28.

 

15. .Granger, C. W. J. (1991). Forecasting Stock market prices, Lessons for Department of Economics, p. 179.
16. Haoffi, Z., Gouping, X., Fagting, Y., Han, Y. (2007). A Neural Network Model Based on the Multi – Stage Optimization Approach for Short Term Food Price Forecasting in China. Expert System with Application, vol. 33, pp. 347-356.
17. Hwang, H., Ang, H. (2014). A Simple Neural Network for ARIMA Time Series. Omega, 29, pp. 319-333
18. Khashei, M., Bijari, M. (2010). An artificial neural network model for time series forecasting. Expert Systems with Appliations, 37(1), pp. 479-489
19. Hassan, R., Nath, B. (2007). A fusion model of hmm, ANN and GA for stock

market forecasting. Journal of Expert Systems with Applications, 33(1), pp. 171-180.

20. Mirmirani, S., Li, H.C. (2004). A comparison of VAR and neural networks withgenetic algorithm in forecasting price of oil. Advances in Econometrics, vol. 19, pp. 203-223.
21. Robert J. & Van Eyden. (2016). The Application of Neural Networks inthe Forecasting of Share Prices. Finance and Technology Publishing, pp. 47-72.
22. A., Shintani, M. (2003). No evidence of chaos but some evidence of dependence in US stock market. Chaos, solitonis and

Fractals, 17, 449-459.

23. Shahwan, T., Odening, M. (2007). Forecasting Agricultural Commodity Prices using Hybrid Neural Networks. Computational Intelligence in Economics and Finance.
24. Tan, H., Prokhorov, K., Wunsch, K. (1995). Conservative Thiry Calendar Stock Prediction Using a Probabilistic Neural Networks: Proceedings of Computational Intelligence for Financial Engineering Conference, Piscataway, NJ, USA, pp. 113-117.
25. Wang, Y. J., Lee, H.S., Zmijewski, M. (2012). A clustering method to identify representative financial ratios. Information Science, vol. 178. pp. 1087-1097
26. Werkooijen, H. (2013). Neural Networks as Economic Tool. Economic Institute Report, vol. 5
27. White, H. (1988). Economic Prediction Using Neural Networks: The Case Of IBM Daily Stock Returns. Proceeding of the IEEE International Conference on Neural Network, 451-458.
28. Zou, H.F., Xia, G.P., Yang, F.T., Wang, H.Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese
29. food grain price forecasting. Nurocomputing, vol. 70, pp. 2913-2923