عنوان پایان‌نامه
طراحی سیستمی هوشمند جهت پیش بینی شاخص بورس اوراق بهادر تهران
- رشته تحصیلی
- علوم اقتصادی-اقتصادمحیط زیست
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1179;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42159
- تاریخ دفاع
- ۱۳ اسفند ۱۳۸۶
- دانشجو
- امیر هامونی
- استاد راهنما
- محسن مهرآرا
- چکیده
- هدف از اجرای این تحقیق بروز رسانی دانش سرمایه گذاران حقوقی و نیز سهامداران حقیقی در بازار سرمایه کشور و نیز مشخص شدن متغیرهای اقتصادی مؤثر بر بازار سرمایه می باشد. بدین منظور با استفاده از پیش بینی شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران مبتنی بر ساختار تلفیقی شبکه های عصبی و الگوریتم ژنتیک با رویکرد سریهای چند جمله ای ولترا یا ایواخننکو که به آن الگوی GMDH می گویند، سعی در شناخت متغیرهای مؤثر بر شاخص بورس اوراق بهادار شده است. در این خصوص مبانی تئوریک پیش بینی و نیز مدلهای مربوط به بازارهای سهام مورد بحث و بررسی قرار گرفته است که در نهایت به سابقه تحقیق در این زمینه چه در خصوص شاخص های بازار سرمایه و چه در خصوص شاخص های مهم اقتصادی و همچنین کاربردهای مدل GMDH در زمینه های مختلف علوم به ویژه اقتصاد اشاره گردیده است. با جمع آوری داده های مربوط به این تحقیق که به دو دسته داده های مربوط به بازارهای رقیب بازارسهام و نیز داده های مربوط به متغیرهای کلان اقتصادی تقسیم گردیده بودند، عملیات برازش مدل بر روی این داده ها جهت پیش بینی شاخص قیمت و بازده نقدی بورس تهران صورت پذیرفت. جهت کمینه کردن مقدارMSE الگو، تعداد 10 مدل با متغیرهای ورودی متفاوت پیشنهاد گردید که در بین این مدلها، مدل نفتی با چهار لایه پنهان به عنوان الگوی بهینه برازش شده انتخاب گردید. در نهایت جهت انتخاب متغیرهای مؤثرتر و با اهمیت تر، مدل Backward نفتی با دو لایه پنهان متغیرهای زیر را به عنوان متغیرهای مهم تاثیرگذار بر شاخص معرفی نمود.زمین تاثیر مثبت بر شاخص بورس .مسکن با وقفه دو ماهه تاثیر منفی بر شاخص CPI تاثیر مثبت بر شاخص بورس پایه پولی با وقفه یک ماهه تاثیر مثبت بر شاخص کرایه مسکن با وقفه یک ماهه تاثیر منفی بر شاخص بورس قیمت جهانی نفت خام با وقفه یک ماهه تاثیر منفی بر شاخص پس از انجام مراحل فوق جهت تعیین علامت تاثیر متغیرهای فوق از مدل های اقتصادسنجی استفاده گردیده است.
- Abstract
- One of goals of this research is up-dating the knowledge of both institutional and individual investors in Capital Market as well as describing the effective Economic variables on Capital Market. To achieve it, the TEDPIX(Tehran Dividend and Price Index) as a proxy of situation of Capital Market, has been estimated to find the effective Economic variables on this Index with a hybrid of Neural Networks and Genetic Algorithm based on Voltera or Ivakhnenko Polynomial series, called "GMDH" Model (Group Method of Data Handling). According to this, the principle of estimate and forecast theory and the models related to Stock Market have been examined; then, the literature of the Indexes in Capital Market and relations between Economic factors and their effect on Stock Market and application of GMDH Model in several aspects of Science, especially Economy, has been reviewed. Data of this research has been divided into two classes of Data, one of which is related to Alternate Market of Stock Market and the other variables are related to Macro Economy. Then 10 Models were examined in order to minimize the MSEs of this fitments. The results suggested that the model including Oil Price variable with 4 hidden layers is the optimum fitted one. Finally, in order to select the more significant and more effective variables, the Backward of Model including Oil Price variable with 2 hidden layers introduced the following variables as more effective variables on trend of variety of TEDPIX: The variety of Index of Land Price with positive effect on TEDPIX. The two-month lag of variety of House Price with negative effect on TEDPIX. The CPI (Consumer Price Index) with positive effect on TEDPIXThe one-month lag of Representative Money with positive effect on TEDPIX.The one-month lag of cost of rented house with negative effect on TEDPIX.The one-month lag of Crud Oil World Price with negative effect on TEDPIX. In addition, the econometric Model has been used in this research in or
