پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,760 |
| تعداد مشاهده مقاله | 115,143,603 |
| تعداد دریافت فایل اصل مقاله | 89,905,107 |
مقایسه مدل‌های رشد لجستیکی با مدل‌های رقیب در پیش‌بینی شاخص کل بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| مقاله 6، دوره 21، شماره 2، 1398، صفحه 265-292 اصل مقاله (2.17 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2019.272510.1006794 | ||
| نویسندگان | ||
| حامد منصوری گرگری1؛ حسن خداویسی* 2 | ||
| 1دانشجوی دکتری، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. | ||
| 2دانشیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران | ||
| چکیده | ||
| هدف: هدف اصلی این مطالعه مقایسه مدل‌های رشد لجستیکی هاروی، هاروی، شبکه عصبی غیرخطی اتورگرسیو و طراحی و یافتن مدلی بهینه با دقت پیش‌بینی بهتر برای داده‌های شاخص کل بورس تهران است که این مدل وابستگی زیادی به مقادیر گذشته خود دارد، پرنوسان است و روند حرکتی غیرخطی دارد که تاکنون مغفول مانده است. روش: در این پژوهش با به‌کارگیری مدل‌های رشد «لجستیک هاروی» و «هاروی» و افزودن جزء غیرخطی بر اساس بسط سری تیلور توابع مثلثاتی روی داده‌های روزانه مربوط به سال‌های 1393 تا 1395، نوسانهای شاخص کل بورس به چهار گروه دسته‌بندی شدند و ضمن مشخصشدن کارآمدی این مدل‌ها بر اساس معیارهای پیش‌بینی، نتایج آن با شبکه عصبی غیرخطی اتورگرسیو ارزیابی و مقایسه شد. یافته‌ها: نتیجۀ آزمون‌های ریشه واحد دیکی فولر و BDS بیانکننده این است که داده‌ها مانا هستند و رفتار غیرخطی دارند. در مرحله برآورد، از آنجا که مدل‌های لجستیک هاروی و هاروی ریشه میانگین مربعات خطای بالا و ضریب تعیین کم داشتند، خوبی برازش آنها در هر چهار نوع داده تأیید نشد. با افزودن جزء غیرخطی به مدل هاروی برازش بسیار مناسبی از شاخص کل بورس با ضریب تعیین حداقل 8/99درصد و حداقل ریشه میانگین مربعات خطا بدست آمد که حتی در مقایسه با شبکه عصبی غیرخطی اتورگرسیو بهتر بود. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که ترکیب مدل هاروی با جزء غیرخطی، در مقایسه با دو مدل رشد لجستیکی هاروی و شبکه عصبی غیرخطی اتورگرسیو، شاخص کل بورس تهران را بهتر پیش‌بینی می‌کند. | ||
| کلیدواژه‌ها | ||
| لجستیک هاروی؛ هاروی؛ هاروی تعدیلشده؛ شبکه عصبی غیرخطی اتورگرسیو | ||
| عنوان مقاله [English] | ||
| Comparing Logistic Growth Model and Competing Models for Predicting the Overall Index in the Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| Hamed Mansoori Gargari1؛ Hassan Khodavaisi2 | ||
| 1PhD Candidate, Department of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran | ||
| 2Associate Prof., Department of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran | ||
| چکیده [English] | ||
| Objective: The main objective of this study is to compare the Harvey Logistic Growth Models, Harvey, and the Nonlinear Autoregressive Neural Network, and to design and find a model with better predictive accuracy for the Tehran Stock Exchange data. This model is nevertheless highly dependent on past values, has high fluctuations, and shows nonlinear motion patterns which have been repeatedly neglected. Methods: In this study, the "Harvey Logistic" Growth Models, Harvey and the addition of nonlinear components based on the Taylor series expansion for trigonometric functions were studied to compare the accuracy and prediction of these models based on prediction criteria and its results with the nonlinear autoregressive neuronal network. Daily data of fluctuations from 1393 until 1395 of the total stock index, which was divided into two categories, were used as the sample pool in this study. Results: The results of the unit root tests such as Dickey-Fuller and BDS test show that the data is stationary and has a nonlinear property. In the estimation stage, the goodness of fit for the Logistic and Harvey models show that both models have a high root mean square error and low coefficient of determination for the four data types. By adding the nonlinear parts to the Harvey model, a good fit was obtained for the stock index with a coefficient of determination of about 99.8 percent and minimum root mean square error, even when compared with the nonlinear autoregressive neural network. Conclusion: The results of the research show that combining the Harvey model with the nonlinear component could be considered as one of the models which predict the Tehran Stock Exchange index better than the other models. | ||
| کلیدواژه‌ها [English] | ||
| Logistic harvey, Harvey, Modified harvey, Nonlinear autoregressive neural networks | ||
| مراجع | ||
|
اعظم‌‌بالغی، نصراله؛ پوربدخشان، کاظم (1392). تخمین دمای آب خروجی مبدل حرارتی در سیستم خنکسازی آب واحدهای گازی نیروگاهی با استفاده از شبکه عصبی دینامیکی. کنفرانس بینالمللی برق. تهران:پژوهشگاه نیرو. دموری، داریوش فرید؛ اشهر، مرتضی (1390). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی. مجله دانش حسابداری، 2(5)، 7-30. راعی، رضا؛ پویان‌فر، احمد (1389). مدیریت سرمایه‌گذاری پیشرفته (چاپ نهم)، تهران: نشر سمت. طلوعی، عباس؛ حقدوست، شادی (1386). الگوسازی پیش‌بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی. پژوهشنامه اقتصادی، 7(25)، 237-252. فطرس، محمدحسن؛ منصوری گرگری، حامد (1389). مقایسه مدل لجستیک و مدل‌های هاروی در پیش‌بینی مصرف برق ایران. فصلنامه مطالعات اقتصاد انرژی، 6(24)، 63- 89. فلاح شمس، میرفیض؛ دلنواز اصغری، بیتا (1388). پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی. پژوهشنامه فراسوی مدیریت، 3(9)، 191-212. فلاح‌پور، سعید؛ علی‌پور ریکنده، جواد (1393). پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی راهبرد مدیریت مالی، 2(4)، 15-31. مشیری، سعید؛ مروت، حبیب (1384). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از الگوی خطی و غیرخطی. پژوهشنامه بازرگانی، 11(41)، 245-275. References Azambaleghy, N., Pourbadakhshan, K. (2013). Estimating the Temperature of the Exhaust Water Temperature of the Heat Exchanger in the Cooling System of the Water Units of the Power Plant Using the Dynamic Neural Network. The 28th International Power System Confrence, Tehran, Iran. (in Persian) Bass, F. M. (1969). A new product growth for model consumer durables. Management science, 15(5), 215-227. Bewley, R., & Fiebig, D. G. (1988). A flexible logistic growth model with applications in telecommunications..International Journal of forecasting, 4(2), 177-192. Bodger, P. S., & Tay, H. S. (1987). Logistic and energy substitution models for electricity forecasting: a comparison using New Zealand consumption data. Technological Forecasting and Social Change, 31(1), 27-48. Demori, D., Farid, D., & Ashar, M. (2011). Estimation of Tehran Stock Exchange Index using Bird Flight Algorithm and Comparison with Traditional Patterns. Journal of Accounting Knowledge, 5, 7-30. (in Persian) Fallah Shams, M., & Delnavaz Asghari, B. (2009). Tehran Stock Exchange index prediction using neural networks. Beyond Managment, 3(9), 191-212. (in Persian) Fallahpour, S., Reikandeh, A. J. (2015). Prediction of Stock Index Using Wavelet Neural Networks in Tehran Stock Exchange. Journal of Financial Management Strategy, 2(4), 15-31. Fotros, M. H., & Mansouri, G. H. (2010). A Comparison of Logistic Model and Harvey Models in Forecasting Electricity Consumption of Iran. Quarterly Energy Economics Review, 24, 65-91. (in Persian) Giovanis, A. N., & Skiadas, C. H. (1999). A stochastic logistic innovation diffusion model studying the electricity consumption in Greece and the United States. Technological Forecasting and Social Change, 61(3), 235-246. Harvey, A. C. (1984). Time series forecasting based on the logistic curve. Journal of the Operational Research Society, 35(7), 641-646. Harvey, A.C. (1993). Time Series Models, 2nd ed., the MIT Press, Cambridge MA, 149–152. Hendriksen, E. S., & Van Breda, M. F. (1992). Accounting Theory. Homewood, IL: Richard D. Irwin. Mar-Molinero, C. (1980). Tractors in Spain: a logistic analysis. Journal of the Operational Research Society, 31(2), 141-152. Mohamed, Z., & Bodger, P. (2005). A comparison of Logistic and Harvey models for electricity consumption in New Zealand. Technological Forecasting and Social Change, 72(8), 1030-1043. Moshiri, S., & Morovat, H. (2006). Prediction Total Return Index of Tehran Stock using linear and nonlinear models. Journal of Business Research, 11(41), 245-275. (in Persian) Raei, R., & Pouyanfar, A. (2010). Advanced Investment Management. Tehran: SAMT. Senol, D., & Ozturan, M. (2008). Stock price direction prediction using artificial neural network approach: The case of Turkey. Journal of artificial Intelligence, 1(2), 70-77. Skiadas, C. H., Papayannakis, L. L., & Mourelatos, A. G. (1993). An attempt to improve the forecasting ability of growth functions: the Greek electric system. Technological Forecasting and Social Change, 44(4), 391-404. Toloie, E. A., & Haghdoust, S. (2007). Stock price prediction modeling based on neural network and its comparison with mathematical prediction methods. Quarterly Economic Research Review of Allameh Tabatabai University, 2, 237-252. (in Persian) Wang, J. Z., Wang, J. J., Zhang, Z. G., & Guo, S. P. (2011). Forecasting stock indices with back propagation neural network. Expert Systems with Applications, 38(11), 14346-14355. Wanjawa, B. W. (2016). Predicting Future Shanghai Stock Market Price using ANN in the Period 21-Sep-2016 to 11-Oct-2016. arXiv preprint arXiv:1609.05394. White, H. (1988). Economic prediction using neural networks: The case of IBM daily stock returns. IEEE 1988 International Conference on Neural Networks, 451-458. | ||
|
آمار تعداد مشاهده مقاله: 638 تعداد دریافت فایل اصل مقاله: 602 |
||