عنوان پایان‌نامه
پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از مدل ترکیبی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62276
- تاریخ دفاع
- ۱۹ بهمن ۱۳۹۲
- دانشجو
- علی استیری
- استاد راهنما
- رضا راعی
- چکیده
- شاخص بورس اوراق بهادار، که نشان دهنده وضعیت کلی مطلوب و یا نامطلوب بودن بازار سهام است، همواره یکی از دغدغه‌های اصلی فعالان بازار سرمایه می‌باشد. سرمایه‌گذاران برای تصمیم گیری در مورد بخش‌های مختلف اقتصاد به دنبال اطلاعاتی در مورد وضعیت آتی آن‌ها می‌باشند، پیش‌بینی نوسانات آتی شاخص سهام، می‌تواند اطلاعاتی در مورد روند آتی بازار سرمایه فراهم کند. از طرفی با توجه به اینکه شاخص بورس یکی از متغیرهای کلان اقتصادی است و با توجه به روابط بین متغیرهای اقتصادی، اطلاعاتی راجع به بخش‌های دیگر اقتصادی می‌دهد و سرمایه‌گذاران را در تصمیم‌گیری بهتر یاری می‌کند. در این پژوهش، برای پیش‌بینی شاخص بورس اوراق بهادار تهران و به منظور شناسایی الگوهای خطی و غیرخطی سری‌زمانی شاخص، از مدل‌های خطی هموارسازی نمایی، خودرگرسیو میانگین متحرک انباشته و مدل غیر خطی شبکه عصبی استفاده شده است. سپس نتایج حاصل از پیش‌بینی با استفاده از مدل‌های مذکور با دو مدل ترکیبی (مدل ترکیبی با اوزان برابر و مدل ترکیبی پیشنهادی که با الگوریتم ژنتیک بهینه شده است) با استفاده از آزمون مقایسات زوجی، مقایسه گردید و نتایج حاکی از برتری مدل ترکیبی پیشنهادی از سایر مدل‌ها بود.
- Abstract
- Stock Exchange Index, that shows overall condition desirable or undesirable the stock market, has always a major concern for capital market activists. Investors to make decisions about their future status of various sectors of the economy are looking for information about expected future volatility, Forecast the future volatility of the stock index, can provide information about the future of capital markets. However, given that the stock index of macroeconomic variables and the relationships between economic variables and gives information about other parts of the economy will help investor’s better decision. In this study, to the prediction of the Tehran Stock Exchange index, and for the TIME SERIES to detect linear and nonlinear models, linear models, exponential smoothing, Autoregressive Integrated Moving Average and non-linear model a neural network is applied. The results of the prediction using the model with two hybrid models (Hybrid model with equal weights and the proposed hybrid model that is optimized WITH Genetic Algorithm) using paired comparison tests were compared and the results indicated that the proposed hybrid model is superior to the other the models.
