عنوان پایان‌نامه
یش بینی شاخص بورس اوراق بهادار تهران با ترکیب روش های pcaوsvrوpso
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75098;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75098
- تاریخ دفاع
- ۲۶ بهمن ۱۳۹۴
- دانشجو
- علی نیک عهدقصیرائی
- استاد راهنما
- رضا راعی
- چکیده
- پیش بینی شاخص بورس اوراق بهادار تهران، که نشان دهنده وضعیت کلی مطلوب یا نا مطلوب بودن بازار سهام است، همواره یکی از دغدغه های اصلی فعالین بازار سرمایه می باشد. سرمایه گذاران برای تصمیم گیری در مورد بخش های مختلف اقتصاد به دنبال اطلاعاتی درمورد وضعیت آتی آن ها می باشند. پیش بینی نوسانات آتی شاخص سهام، می تواند اطلاعاتی درمورد روند آتی بازار سرمایه را فراهم نماید. با توجه به این که شاخص بورس یکی از متغیرهای کلان اقتصادی است، پیش بینی شاخص بورس می تواند سرمایه گذاران را در تصمیم گیری بهتر یاری نماید. در این پژوهش، برای پیش بینی شاخص بورس اوراق بهادار تهران ابتدا به منظور کاهش زمان یادگیری و افزایش دقت پیش بینی، با استفاده از آنالیز مولفه های اصلی متغیرهای ورودی را به مولفه های اصلی تبدبل نموده و به عنوان ورودی برای مدل پیش بینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان اقدام به پیش بینی شاخص کل بورس اوراق بهادار نمودیم. وسپس این مدل را با استفاده از مدل بهینه سازی حرکت تجمعی ذرات بهینه نمودیم. در پایان نتایج نشان داد که پیش پردازش اولیه به وسیله آنالیز مولفه های اصلی بر روی داده ها باعث کاهش خطای مدل گردیده است.
- Abstract
- One of the major activities of financial firms and private investors is to predict future prices of stocks. However, stock index prediction is regarded as a challenging task of the prediction problem since the stock market is a complex, chaotic and nonlinear dynamic system. Prediction Tehran Stock Exchange index, which reflects the favorable or unfavorable overall situation of the stock market, always a concern for capital markets is the main activists. Investors to make decisions about different economic sectors looking for information about upcoming shows them an important loss. Predict fluctuations in stock index futures, can provide information about the future trend in the capital market. According to stock index is one of the macroeconomic variables, to predict the stock index can assist investors in better decision making. As stock markets are highly dynamic and exhibit wide variation, it may be more realistic and practical that assumed the stock index data are a nonlinear mixture data. In this study, a hybrid stock index prediction model by utilizing principal component analysis (PCA), support vector regression (SVR) and particle swarm optimization (PSO) is proposed. In the proposed model, first, the PCA is used to deal with the nonlinearity property of the stock index data. The proposed model utilizes PCA to extract features from the observed stock index data. The features which can be used to represent underlying/hidden information of the data are then served as the inputs of SVR to build the stock index prediction model. Finally, PSO is applied to optimize the parameters of the SVR prediction model since the parameters of SVR must be carefully selected in establishing an effective and efficient SVR model.
