پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,226 |
| تعداد مقالات | 67,700 |
| تعداد مشاهده مقاله | 115,008,013 |
| تعداد دریافت فایل اصل مقاله | 89,689,402 |
ارزیابی روشهای پیش بینی قمیت سهام و ارائه مدلی غیرخطی بر اساس شبکه های عصبی | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 2، دوره 38، شماره 2، دی 1382 اصل مقاله (1.01 M) | ||
| نویسندگان | ||
| دکتر حمید خالوزاده؛ دکتر على خاکی* | ||
| چکیده | ||
| در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساساً از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد. | ||
| کلیدواژه‌ها | ||
| بعد فرکتالی؛ پیش بینی؛ تحلیل های غیر خطی سری های زمانی؛ تخمین؛ رگرسیون چند متغیره؛ سری زمانی؛ شبکه های عصبی؛ فرآیند های آشوب؛ فرآیند های تصادفی؛ قابلیت پیش بینی؛ مدلسازی | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In this paper, we deal with several time series of share prices and daily returns of different companies which are members of the Tehran Stock Exchange. Three prediction methods are used for time series forecasting. The first method, is based on the linear models (ARIMA) for short term and long term forecasting. The second method, is based on the nonlinear neural networks model and the third method is a neural networks model with a special structure. It has been shown the time series generator process of these companies are complex nonlinear mappings and the methods based on the various linear modelling strategies are unable to identify these dynamics. Also, it has been shown by using the conventional structure of the nonlinear neural networks that one can not obtain a satisfactory results for long term forecasting. Finally, it is shown that the proposed structrure, provides accurate next step and the long term share prices and daily returns forecasting. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Chaotic processes, Forecastability, Linear models, modeling, Nonlinear time series analysis, Time series forecasting | ||
|
آمار تعداد مشاهده مقاله: 4,740 تعداد دریافت فایل اصل مقاله: 2,958 |
||