عنوان پایان‌نامه
مدلسازی دینامیک بازده شاخص بورس اوراق بهادار تهران با استفاده از روش فضای حالت و مقایسه نتایج بدست آمده با روش MLP در شبکه عصبی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 45327
- تاریخ دفاع
- ۲۵ مرداد ۱۳۸۹
- دانشجو
- حسین صالحی
- استاد راهنما
- رضا راعی
- چکیده
- سرمایه¬گذاران در زمانارزیابی فرصت¬های سرمایه¬گذاری در یک دارائی یا مجموعه¬ای از دارائی¬ها به دنبال حداکثرکردن بازده و حداقل کردن ریسک دارائی یا سبد دارائی¬های خود هستند و در فرآیند تصمیم¬گیری مایلند بدانند قیمت دارائی¬های مختلف در آینده چگونه و تحت تاثیر چه عواملی تغییر می¬کند و سرمایه¬گذاری¬شان با چه ریسکی مواجه خواهد بود. هدف اصلی این مطالعه، پیش¬بینی شاخص قیمت و سود نقدی بازار بورس تهران با استفاده از وقفه¬های بهینه بازده شاخص و سه متغیر کلان اقتصادی، نفت، ارز و طلا می¬باشد. لذا بعد از بررسی ویژگی¬های آماری داده¬ها که به صورت سری¬زمانی هستند، با بکارگیری مدل باکس – جنکینز وقفه¬های بهینه و مناسب مدل ARMAX را محاسبه نموده و به عنوان ورودی مرحلهء بعد بکار برده می¬شوند. سپس با ارائه روشی نسبتآ جدید در مقایسه با سایر روش¬های متداول، با استفاده از فیلتر کالمن که از مدل¬سازی سیستم¬های پویا در فضای حالت نشأت گرفته است اقدام به بهبود خطای مدل در تخمین سری¬ زمانی بازده شاخص می¬نماییم. به موازات این مدل و در مدلی دیگر، با استفاده از مدل شبکه عصبی پرسپترون چندلایه اقدام به بررسی پیش¬بینی¬پذیری بازده شاخص می¬نماییم. برای انتخاب مدل بهینه جهت پیش¬بینی از میان مدلهای فوق، معیارهای از قبیل MAE،¬MAPE، RMSE، R2و واریانس را برای هر یک از مدل¬ها محاسبه کرده؛ سپس این معیار¬ها را با یکدیگر مقایسه کردیم. در ارزیابی نتایج حاصل از این دو مدل مشاهده می¬شود که هر دو روش بخوبی و با خطای قابل قبولی بازده شاخص را دنبال می¬نمایند. هر چند که مدل فضای حالت از مدل¬های ساده شبکه¬های عصبی عملکرد بهتری از خود نشان می¬دهد، اما با پیچیده¬ شدن شبکه عصبی برتری از آن مدل¬های شبکه عصبی می¬باشد. هر چند که فضای حالت و فیلتر کالمن از مزایایی چون سادگی مدل، راحتی در پیاده¬سازی و سرعت در محاسبات برخوردار است.
