文章基本信息

标题：پیش‌بینی بازده آتی بازار سهام با استفاده از مدل‌های آریما، شبکه عصبی و نویززدایی موجک
其他标题：Prediction of Stock Market Returns with out of Sample Data: Evaluating out of Sample Methods (Regression Method and Wavelet Neural Network)
本地全文：下载
作者：Reza Raei ; Meysam Mahmoudiazar
期刊名称：Asset Management & Financing
印刷版ISSN：2383-1170
电子版ISSN：2383-1189
出版年度：2014
卷号：2
期号：2
页码：1-16
语种：Persian
摘要：موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع‌های مهم و مورد توجه محافل علمی و سرمایه‌گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش‌های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق‌تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده‌ها استفاده و سپس به وسیله شبکه عصبی پیش‌بینی شده است. مقایسه خطای پیش بینی مدل‌های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می‌دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می‏بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل‌های آریما و شبکه عصبی دارد. همچنین، مدل‌های شبکه عصبی قدرت پیش‌بینی‏کنندگی بهتری را نسبت به مدل‌های آریما نشان می‌دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می‏نماید.
其他摘要：Understanding stock price behavior and price forecasting are one of the most challenging issues that speculators, traders and brokers are faced with. Since stock market was established in the nineteenth century, many researchers have focused on investigating the stock price forecasting model. At the outset some of the models such as Autoregressive, ARMA, ARIMA, ARCH and GARCH were widely applied. Although some of these models were better than others in performance, but none of them had satisfactory result. Recently a number of researchers have been considering the stock market as a dynamic nonlinear system. On the other hand, artificial intelligence techniques including neural networks, genetic algorithms and fuzzy logic have produced successful results in solving complex problems. In this study we tried to use wavelet transform and neural network to present a model that more accurately predict the return on stock market index. In this hybrid model, the smoothing property of wavelet transform is used to reduce the noise level of data then a neural network model is used for forecasting. Comparison of forecast error in ARIMA models, neural network and wavelet neural network indicates that noise reduction improves forecasting of the index returns.
关键词：آریما; پیش بینی برون نمونه‌ای; شبکه عصبی; شبکه عصبی موجکی; نویززدایی
其他关键词：Arima; out of Sample Prediction; Neural Network; Wavelet Neural Network; Denoising.