عنوان پایان‌نامه
پیش بینی بازده آتی بازار سهام با داده های برون نمونه ای : ارزیابی روش های برون نمونه ای (روش رگرسیونی و شبکه عصبی موجکی)
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56370
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۱
- دانشجو
- میثم محمودی اذر
- استاد راهنما
- رضا راعی
- چکیده
- موضوع شناخت و بررسی رفتار قیمت سهام همواره یکی از موضوعات مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. از زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به تحقیق بر روی مدل پیش‌بینی قیمت سهام تمرکز کرده‌اند. در ابتدا مدل های ساختاری و همچنین مدل‌های پیش‌بینی آماری نظیر خودرگرسیو ،آرما ،آریما ، آرچ ، گارچ بطور گسترده بکار برده شد. هرچند بعضی مدل‌ها از عملکرد بهتری نسبت به سایرین برخوردار بودند اما هیچکدام از مدل‌ها نتایج رضایت بخشی به همراه نداشتند. اخیرا تعداد زیادی از پژوهشگران در تحقیقاتشان بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته‌اند. از طرف دیگر تکنیک‌های هوش مصنوعی که شامل شبکه‌های عصبی ، الگوریتم ژنتیک و منطق فازی است نتایج موفقیت‌آمیزی در زمینه حل مسائل پیچیده به دست آورده‌اند. در این پژوهش تلاش شده است تا با استفاده از تبدیل موجک و شبکه عصبی مدلی ارائه شود که پیش‌بینی 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 شده و سپس به وسیله شبکه عصبی پیش‌بینی شده است. مقایسه خطای پیش‌بینی مدل‌های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می‌دهد که کاهش نویز عملکرد پیش‌بینی بازده شاخص را بهبود می‌بخشد.
- Abstract
- Understanding stock price behavior and price forecasting are one of the most challenging issues that the speculators, traders and brokers are faced with. Since the stock market was established in the nineteenth century, many researchers have been 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 an acceptable 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 been obtained successful results in solving complex problems. In this study we tried to use wavelet transform and neural network to present a model that accurately predicted with less error than the return on stock index. In this hybrid model, the smoothing property of wavelet transform is used to reduce the noise level of data then is using neural network for forecasting. Comparison of forecast error in ARIMA models, neural network and wavelet neural network indicates that noise reduction improved the forecasting of the index returns. Keywords: Arima, Out of sample prediction, Neural network, Wavelet neural network, Denoising
