عنوان پایان‌نامه
تحلیل آشوب و بررسی عملکرد مدلهای سری زمانی خطی و غیر خطی در پیش بینی شاخص بازدهی بورس
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1415;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 53478
- تاریخ دفاع
- ۲۵ تیر ۱۳۹۱
- دانشجو
- اسماعیل نادری اب بندانی
- استاد راهنما
- اکبر کمیجانی
- چکیده
- این مطالعه به مقایسه عملکرد مدل های خطی و غیرخطی سری زمانی (اعم از مدل های رگرسیونی یا مدل های پارامتریک و مدل های ناپارامتریک یا مدل های مبتنی بر شبکه عصبی) در پیش بینی شاخص بازدهی بورس تهران می پردازد. بر این اساس داده¬های سری زمانی مورد استفاده در این تحقیق از نوع داده های روزانه شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران طی بازه زمانی پنجم فروردین 1388 تا هجدهم اردیبهشت ماه 1391 که مشتمل بر752 مشاهده بوده است. با توجه به آشوبی بودن سری فوق، بر مبنای نتایج حاصل از آزمون حداکثر نمای لیاپانوف از 721 مشاهده جهت انجام برآورد مدل های تحقیق و از 31 مشاهده جهت انجام پیش بینی خارج از نمونه استفاده شده است. در راستای رسیدن به هدف اصلی این مطالعه، ابتدا به بررسی و تحلیل جامعی از پیش بینی پذیری، وجود اثرات غیرخطی و نیز آشوبی بودن سری بازدهی بورس در دوره تحقیق پرداخته شد. به همین منظور، از آزمون های "نسبت واریانس"، آزمون BDS و آزمون های آشوبی بودن به کمک آزمون های حداکثر نمای لیاپانوف با روش های مستقیم و ژاکوبین، استفاده شده و تحلیل آنها ارائه گردیده است. با تأیید آشوبی بودن سری بازدهی بورس، در پی پاسخ¬دهی به این سؤال که؛ "کدام مدل غیرخطی دارای عملکرد بهتری در پیش بینی سری مورد بررسی است؟"، در این مطالعه، عملکرد سه دسته از مدل های 1) مدل های رگرسیونی غیرخطی مبتنی بر حافظه ی بلندمدت؛ 2) مدل های شبکه عصبی؛ 3) مدل های حاصل از بکارگیری تجزیه موجک، بر اساس آماره های اطلاعات (آکائیک و شوارتز) و نیز آماره آزمون کلارک و وست (2006) مورد ارزیابی قرار گرفت. نتایج این مطالعه نشان داد که، استفاده از داده های تجزیه شده به کمک تکنیک موجک موجب ایجاد اختلاف معناداری در عملکرد مدل های غیرخطی در پیش بینی شاخص بازدهی بورس (که آشوبی می باشد) گشته است. همچنین، از میان کلیه مدل های تحقیق، مدل MFNN، با 5 وقفه از متغیر وابسته و نیز واریانس حاصل از خروجی مدل رگرسیونی ARFIMA(1,1)-FIGARCH(BBM) (چرا که سری فوق علاوه بر واریانس ناهمسانی شرطی دارای ویژگی حافظه بلندمدت نیز می باشد)، به عنوان متغیرهای برونزا، دارای بهترین عملکرد می باشد.
- Abstract
- The aim of this study is to compare the performance of linear and nonlinear time series models (including regression models or parametric models and nonparametric models or models based on neural networks) in forecasting the return of Tehran Stock Exchange (TSE) index. To do so, the daily data from fifth of Farvardin 1388 (March-2009) to eighteenth of Ordibehesht 1391 (April-2012) is used. Given the chaotic nature of the above series and based on the result of the Largest Lyapanov Exponent test, from total 752 observations, the first 721 observations were used to estimate the models while the remaining 31 observations were applied for out of sample forecasting. In the first step, a comprehensive overview of predictability, nonlinearity effects and chaotic analysis were presented. To this aim, with regard to the return series of TSE index, we have referred to Variance Ratio test, BDS test and the Largest Lyapanov Exponent tests (direct and Jacobin method). The results approved that this return series is chaotic. Therefore, we limited our goal to finding the nonlinear models which has the best performance in forecasting TSE index return series. In this study, using Akaike and Schwartz Information Criteria as well as Clark and West test statistic (2006), the performance of three types of models were compared; 1) Nonlinear Regression Models including Long Memory, 2) Neural Network Models and 3) Models using the Wavelet Decomposition. Our results confirm the significant difference in the performance of nonlinear models used to decompose data (with wavelet techniques) in forecasting the return series of TSE index. Also, among all investigated models, MFNN model, with exogenous variables {inputs include 5 lags of the dependent variable and the output variance of the ARFIMA (1,1)-FIGARCH(BBM) regression model} led to the most accurate forecasts based on the MSE and RMSE criterion. Key Words: Forecasting, Exchange Market, ARIMA, GARCH, ARFIMA, FIGARCH, MFNN, NNARX, AN
