پیش بینی شاخص سهام با استفاده از شبکه های عصبی موجکی در بورس اوراق بهادار تهران

نویسندگان

سعید فلاح پور

جواد علی پور ریکنده

چکیده

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل­های مختلف شبکه های عصبی پیش بینی شده است. تحقیق از نوع کاربردی است و دورۀ زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده­های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل wdbp از موجک db5 برای نویززدایی داده­ها و تا پنج مرحله صورت گرفته است. جذر میانگین مربعات خطا (rmse) معیارِ ارزیابی برای سنجش خطای پیش بینی است. نتایج این تحقیق نشان می­دهد، عملکرد شبکۀ عصبی موجکی در پیش بینی شاخص سهام سطح خطای کمتری دارد و از شبکۀ عصبی بهتر است.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی

اندازه و روند شاخص‌های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می‌باشد. جهت پیش‌بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول‌ترین آنها روشهای رگرسیون و مدل‌های 3ARIMA هستند اما این مدل‌ها در عمل جهت پیش‌بینی بعضی از سریها ناموفق بوده‌اند. در تحقیق حاضر برای پیش‌بینی شاخص کل بورس از مدل شبکه‌های عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در...

متن کامل

پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل­های مختلف شبکه‌های عصبی پیش‌بینی شده است. تحقیق از نوع کاربردی است و دورۀ زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده­های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل WDBP از موجک db5 برای نویززدایی داده­ها و تا پنج مرحله صورت گرفته است. جذر م...

متن کامل

پیش بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

پیش­بینی تغییر قیمت سهام به عنوان یک فعالیت چالش­انگیز در پیش­بینی     سری­های زمانی مالی در نظر گرفته می­شود. یک پیش­بینی صحیح از تغییر قیمت سهام می­تواند سود زیادی را برای سرمایه­گذاران به بار آورد. با توجه به پیچیدگی داده­های بازار بورس، توسعه مدل­های کارآمد برای پیش­بینی بسیار دشوار است. در این پژوهش، مدلی برای پیش­بینی قیمت سهام شرکت­های بورس اوراق بهادار تهران با بکارگیری داده­های درون­زا...

متن کامل

ارائه مدل پیش بینی شاخص کل قیمت سهام با رویکرد شبکه های عصبی (مطالعه موردی: بورس اوراق بهادار تهران)

هدف تحقیق حاضر ارائه مدل پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به ­صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان می­دهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیش­بینی شاخص ...

متن کامل

پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی

اندازه و روند شاخص های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می باشد. جهت پیش بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول ترین آنها روشهای رگرسیون و مدل های 3arima هستند اما این مدل ها در عمل جهت پیش بینی بعضی از سریها ناموفق بوده اند. در تحقیق حاضر برای پیش بینی شاخص کل بورس از مدل شبکه های عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در...

متن کامل

پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی

پژوهش حاضر به مطالعه پیش بینی شاخص قیمت سهام در بورس اوراق بهادار تهران به وسیله شبکه های عصبی و ارایه ی شواهدی مبنی بر رفتار آشوبناک شاخص قیمت در بورس اوراق بهادار می پردازد. دو مجموعه از داده ها برای ورودی شبکه عصبی انتخاب شده اند. وقفه های مختلفی از شاخص و عوامل کلان اقتصادی به عنوان متغیرهای مستقل. شبکه های عصبی به کار گرفته شده در این پژوهش از نوع پرسپترون چند لایه (mlp) است که به روش الگو...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
راهبرد مدیریت مالی

ناشر: دانشگاه الزهرا

ISSN 23453214

دوره 2

شماره 4 2014

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023