پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران

نویسندگان

1 استادیار دانشکدۀ مدیریت دانشگاه تهران

2 نویسندۀ مسئول، کارشناسی ارشد، رشتۀ MBA پردیس بینالمللی کیش دانشگاه تهران

چکیده

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل­های مختلف شبکه‌های عصبی پیش‌بینی شده است. تحقیق از نوع کاربردی است و دورۀ زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده­های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل WDBP از موجک db5 برای نویززدایی داده­ها و تا پنج مرحله صورت گرفته است. جذر میانگین مربعات خطا (RMSE) معیارِ ارزیابی برای سنجش خطای پیش‌بینی است. نتایج این تحقیق نشان می­دهد، عملکرد شبکۀ عصبی موجکی در پیش‌بینی شاخص سهام سطح خطای کمتری دارد و از شبکۀ عصبی بهتر است.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Stock Index Using Wavelet Neural Networks in Tehran Stock Exchange

نویسندگان [English]

  • Saeed Fallahpour 1
  • Javad Alipour Reikandeh 2
1 tehran university
2 tehran university- kish pardis
چکیده [English]

In this research, the total equities in Tehran Stock Exchange are predicted using different neural network models. Research hypothesis states that the performance of WDBP wavelet neural network model for stock index prediction is better than PB neural network model and research period is ten years from the beginning of 2002 to the end of 2011. Information is collected from the statistics and data in Tehran Stock Exchange’s database. In order to create the WDBP model, db5 wavelet is used for denoising the data in five steps. The criterion used for measuring the prediction error is root mean square error (RMSE). Wilcoxon hypothesis test is conducted on results after prediction by neural networks. Test results indicate that the significance level of overall index is less than 0.05. Therefore, the null hypothesis is rejected. In other words, there is a significant difference between the prediction of neural network method and that of wavelet neural network.

کلیدواژه‌ها [English]

  • Neural Network
  • Wavelet
  • Wavelet neural network
  • Tehran Stock Exchange
منابع و مآخذ

-      آذر، عادل و همکاران. (1385). «مقایسۀ روش‌های کلاسیک و هوش مصنوعی در پیش‌بینی شاخص قیمت سهام و طراحی مدل ترکیبی». فصلنامۀ مدرس علوم انسانی، شمارۀ 4.

-      اسلامی بیدگلی، غلامرضا؛ محمدی، شاپور. (1388). «بررسی زمان مقیاس مدل قیمت‌گذاری دارایی سرمایه­ای از طریق تبدیل موجک». مجلۀ بررسی‌های حسابداری و حسابرسی، شمارۀ 58.

-      افسر، امیر. (1384). «الگوسازی پیش­بینی شاخص قیمت سهام با استفاده از شبکه­های عصبی فازی و روش ترکیبی».

-      پاکدین امیری، علیرضا و همکاران. (1388). «ارائۀ مدل پیش‌بینی شاخص کل قیمت سهام با رویکرد شبکه­های عصبی (مطالعۀ موردی: بورس اوراق بهادار تهران)». فصلنامۀ جستارهای اقتصادی، شمارۀ 11.

-      جورابیان، محمود. (1388). شبکه­های عصبی مصنوعی، انتشارات دانشگاه شهید چمران.

-      راعی، رضا؛ پویان‌فر، احمد. (1389). مدیریت سرمایه­گذاری پیشرفته، نشر سمت.

-      راعی، رضا؛ چاوشی، کاظم. (1382). «پیش‌بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه­های عصبی مصنوعی و مدل چندعاملی». فصلنامۀ تحقیقات مالی، شمارۀ 15.

-      سعیدی، حسین؛ محمدی، شاپور. (1390). «پیش‌بینی نوسانات بازده بازار با استفاده از مدل­های ترکیبی گارچ-شبکۀ عصبی». فصلنامۀ بورس اوراق بهادار، شمارۀ 16.

-      صیادی، امید. (1387). «آشنایی مقدماتی با تبدیل ویولت». مجلۀ تحقیقات اقتصادی، شمارۀ 80.

-      طلوعی، عباس و همکاران. (1386). «الگوسازی پیش‌بینی قیمت سهام با استفاده از شبکۀ عصبی و مقایسۀ آن با روش‌های پیش­بینی ریاضی». پژوهشنامۀ اقتصادی.

-      عباسی­نژاد، حسین؛ ­محمدی، شاپور. (1384). «تحلیل سیکل‌های تجاری ایران با استفاده از نظریۀ موجک‌ها». مجلۀ تحقیقات اقتصادی، شمارۀ 75.

-      فلاح‌پور، سعید. (1388). «طراحی مدلی برای مدیریت فعال پرتفوی سهام با استفاده از الگوریتم ژنتیک و ارزش در معرض ریسک». دانشگاه تهران.

-      کیا، سید مصطفی. (1389). محاسبات نرم در MATLAB، خدمات نشر کیان رایانه.

-      محمدی، احمد. (1385). «پیش­بینی نرخ ارز با استفاده از شبکۀ عصبی و تبدیل موجک». دانشگاه تهران.

-      مشیری، سعید؛ مروت، حبیب. (1385). «پیش­بینی شاخص کل بازدهی سهام تهران با استفاده از مدل­های خطی و غیرخطی». فصلنامۀ پژوهشنامۀ بازرگانی، شمارۀ 41.

-      Azadeh, A. & S. F. Ghaderi (2008). “Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors”, Energy Conversion and Management, Vol. 49, No. 7, pp. 787-802.

-      Cao. Qing & etc. (2005). “A comparison between Fama and French’s model and artificial neural network in predicting the Chinese stock market”, Computers & Operational Research, Vol. 32, No. 2, pp. 150-173.

-      Donoho, D. L. & I. M. Johnstone (1995). “Adapting to unknown smoothness by wavelet shrinkage”, Journal of the American Statistical Association, Vol. 90, No. 11, pp. 3228-3240.

-      Enke, D. & S. Thawornwong (2005). “The use of data mining and neural networks for forecasting stock market returns”, Expert Systems with Applications, Vol. 29, No. 3, pp. 142-160.

-      Fernandez, Viviana (2006). “The CAPM and value at risk at different time-scales”, International Review of Financial Analysis, Vol. 15.

-      Gencay, R. & etc. (2001). "An Induction to Wavelets and Other Filtering Methods in Financed Economics", Academic Press, San Digo, Vol. 14, No. 11, pp. 232-252.

-      Guresen, E. & etc. (2011). “Using artificial neural network models in stock market index prediction”.

-      Hansen, J. V. & R. D. Nelson (2002). “Data mining of time series using stacked generalizers”, Neurocomputing, Vol. 43, No. 7, pp. 334-348.

-      Haven. Emmanuel & etc. (2012). “De-noising option prices with the wavelet method”, European Journal of Operational Research.

-      Jammazi, Rania & Chaker Aloui (2011). “Crude oil price forecasting: Experimental evidence from wavelet decomposition and neural network modeling”, Energy Economics xxx.

-      Kaastra, I. & M. Boyd (1996). “Designing a neural network for forecasting financial economic time series”, Neurocomputing, Vol. 10, No. 3, pp. 1001-0023.

-      Kim, Sangbae & Francis In. (2005). “The relationship between stock return and inflation: new evidence from wavelet analysis”, Journal of Empirical Finance, Vol. 12, No. 1, pp. 95-111.

-      Misiti, Michel & etc. (2006). “Wavelet and their applications”.

-      Mörchen, F. (2003). “Time series feature extraction for data mining using DWT and DFT”, Department of Mathematics and Computer Science Philips-University Marburg. Technical report, Vol. 33, No. 6, pp. 656-674.

-       Oh, K. J. & K. J. Kim (2002). "Analyzing stock market tick data using piecewise nonlinear model", Expert System with Applications, Vol. 22, No. 2, pp. 209-222.

-      Ramsey, James B. & Camille Lampart (1998). “The decomposition of economic relationships by time scale using wavelet: Expenditure and income”, Studies in nonlinear dynamics and econometrics, Vol. 3, No. 5, pp. 1147-1163.

-      S. Maia. Andre Luis & etc. (2008). “forecasting models for interval-valued time series”, Neurocomputing, Vol. 71, No. 2, pp. 326-341.

-       Wang, J. Z. & J. J. Wang (2011). "Forecasting stock indices with back propagation neural network", Expert Systems with Applications, Vol. 38, No. 10, pp. 152-172.

-      Wang, Y. (2003). "Mining stock prices using fuzzy rough set system", Expert System with Applications, Vol. 24, No. 8, pp. 2323-2349.

-      Wong, Bo. K. & Yakup Selvi (1998). “Neural network application in finance: A review and analysis of literature”, Information & Management, Vol. 34, No. 4, pp. 378-400.

-      Zhang, Guoqiang & etc. (1998). “Forecasting with artificial neural network: The state of the art”, International Journal of Forecasting, Vol. 14, No. 3, pp. 485-501.

-      Zhang, G. (2003). “Time series forecasting using a hybrid ARIMA and neural network model”, Neurocomputing, Vol. 50, No. 1, pp. 38-52.