آمار
| تعداد نشریات | 50 |
| تعداد شمارهها | 2,232 |
| تعداد مقالات | 20,475 |
| تعداد مشاهده مقاله | 25,230,375 |
| تعداد دریافت فایل اصل مقاله | 22,863,026 |
مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران | ||
| دانش مالی تحلیل اوراق بهادار | ||
| مقاله 9، دوره 5، شماره 3(پیاپی 15)، آذر 1391، صفحه 115-130 اصل مقاله (289.51 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
اکبر کمیجانی* 1؛ اسماعیل نادری  2
| ||
| 1ندارد | ||
| 2مسئول مکاتبات | ||
| چکیده | ||
| این مقاله با هدف معرفی یک الگوی مناسب جهت پیشبینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. دادههای مورد استفاده در این پژوهش به صورت روزانه و شامل بازهی زمانی پنجم فروردین 1388 تا سیام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیشبینیهای داخل نمونهای و خارج از نمونهای، از تقریباً 90% از مشاهدات (556 مشاهده) جهت تخمین ضرایب مدل و از مابقی (60 مشاهده) جهت انجام پیشبینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطیِ شبکهی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی)[i] و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشتهی کسری)[ii]. یافتههای این پژوهش نشان میدهد که مدل شبکهی عصبی مصنوعی پویا در پیشبینیهای خارج از نمونه، بر اساس معیارهای محاسبهی خطای پیشبینی میانگین مجذور خطا (MSE)[iii] و نیز معیار جذر میانگین مجذور خطا (RMSE)[iv]، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA میباشند. [r | ||
| کلیدواژهها | ||
| پیشبینی؛ بازار بورس؛ مدل ARFIMA؛ مدل NNAR | ||
|
آمار تعداد مشاهده مقاله: 1,219 تعداد دریافت فایل اصل مقاله: 1,428 |
||
