عنوان پایان‌نامه
پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH
- رشته تحصیلی
- توسعه اقتصادی وبرنامه ریزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1155;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41281
- تاریخ دفاع
- ۲۹ بهمن ۱۳۸۷
- دانشجو
- مهسا لطفی مهر
- استاد راهنما
- حمید ابریشمی
- چکیده
- اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها، سمت و سوی اقتصاد آن کشور را مشخص می کند. در این بین بازار سرمایه در کنار بازار پول، به عنوان اجزائ تشکیل دهنده بازارهای مالی بوده و در واقع شریان های اصلی یک اقتصاد محسوب می گردند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد می باشد و چنانچه رابطه منطقی بین بازار مالی با سایر بخشهای اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان هایی در سازوکار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. با توجه به اهمیت پیش بینی در حوزه های مختلف اقتصادی بخصوص در فضای اقتصاد مالی و بورس، هدف اصلی این مطالعه همان گونه که عنوان این تحقیق نیز مبین آن است، پیش بینی شاخص قیمت سهام بورس تهران می باشد. لذا ضمن مرور اجمالی بر شناخته‌شده‌ترین تئوری‌های اقتصادی، به ارائه روش جدیدتری نسبت به سایر روش های متداول پیش بینی درگذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش‌بینی می کنیم. الگوریتم GMDH قابلیت استفاده در موضوعات متنوعی چون کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی وشناخت الگوهای غیرخطی را دارا می‌باشد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه سازی در دوره آزمون می‌باشد. بدین ترتیب می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و نهایتاً مدل بهینه برای پیش‌بینی را بر اساس معیارهای متداول خطا نظیر RMSE و MAPE و ... بدست آورد. بعلاوه، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد.
- Abstract
- The economy of every country is composed of different parts, the relationships amongst which determines the economic evolution of that country. The capital market together with money market make up the financial market as the fundamental basics of an economy. Their operation has significant influence on the growth and development of the economy. In cases where there is no constructive relationship between the financial market and other parts of the economy, economic performance might be subject to distortions. The stock market as a fundamental basic of the financial market has a crucial role in facilitation of investments in the capital market. Given the importance of expectations in different economic fields, the main purpose of this study is to project behaviour of the Tehran stock exchange price index. Therefore, after a review of dominant economic theories, we use a new method, artificial neural network GMDH, to forecast the impact of macroeconomic variables on the Tehran stock exchange price index. The GMDH Algorithm is a nonlinear model to anticipate complex systematic relationships between variables of the model. The special feature of this deductive algorithm is recognition and screening of the most effective variables to estimate the model with training samples and omit the non-significant ones from the simulation process with testing samples. So, we can solve the model via iterative methods to minimize the typical Standard Error like RMSE, MAPE and so on. Keywords: Anticipation, Stock Prices, Macroeconomic Variables, Artificial Neural Network, GMDH Algorithm.
