مقایسه کارآمدی مدل های arima و arfima برای مدل سازی و پیش بینی شاخص قیمت تهران (tepix)
Authors
abstract
این مقاله به بررسی عملکرد پیش بینی مدل های arima و arfima با استفاده از داده های روزانه بازده شاخص کل سهام تهران در بازه زمانی 04/09/1380 تا 09/09/1390 می پردازد. در این راستا جهت تخمین پارامتر d و دیگر پارامترها، از روشnls در بسته نرم افزار oxmetric/pcgive استفاده شد و پس از مقایسه نتایج مدلهای تحقیق؛ مدل arfima بر اساس معیار aic مدلی برتر در مدل سازی tepix مشخص گردید. همچنین از میان براوردهای پیش بینی، روش های پیش بینی ساده را برای تخمین پیش بینی آزمون می کنیم. از مقایسه دقت پیش بینی مدل های مذکور توسط معیارهای پیش بینی مانند mapfe و rmsfe و فواصل اطمینانی که ارزش های واقعی در آن جای گرفته اند، می توان استنباط کرد که اولاً، تفاوت عملکرد بهتر پیش بینی مدل حافظه بلند مدت arfima نسبت به مدل arima بسیار جزئی است و ثانیاً، ناکارامدی مدل arfima در پیش بینی بازار سرمایه تهران کاملاً مشهود است.
similar resources
مقایسه کارآمدی مدل های ARIMA و ARFIMA برای مدل سازی و پیش بینی شاخص قیمت تهران (TEPIX)
این مقاله به بررسی عملکرد پیش بینی مدل های ARIMA و ARFIMA با استفاده از دادههای روزانه بازده شاخص کل سهام تهران در بازه زمانی 04/09/1380 تا 09/09/1390 می پردازد. در این راستا جهت تخمین پارامتر d و دیگر پارامترها، از روشNLS در بسته نرمافزار Oxmetric/pcgive استفاده شد و پس از مقایسه نتایج مدلهای تحقیق؛ مدل ARFIMA بر اساس معیار AIC مدلی برتر در مدل سازی TEPIX مشخص گردید. همچنین از میان براورد...
full textبررسی حافظه بلند مدت و مقایسه سطح کارآمدی مدل های arima، arfima و مدل های خانواده arfima-garch برای پیش بینی شاخص قیمت سهام تهران (tepix)
شناخت سری های زمانی از اهم مباحث در تحلیل سری های زمانی در اقتصاد سنجی می باشد و بالطبع این شناخت در درک رفتار بازار به پژوهشگران و تحلیل گران می تواند نقش مهمی را ایفا کند. مطالعات اخیری که بر روی سری های زمانی انجام گرفته است، بیانگر این موضوع می باشد که، تست حافظه بلند مدت نسبت به سایر تست ها، از پر کاربردترین ها برای تحلیل سری های زمانی بوده است و این که احتمال کارامدی مدل هایی که با حافظه ...
15 صفحه اولپیش بینی قیمت بنزین فوب خلیج فارس با استفاده از مدل های arima و arfima
یکی از روشهای مناسب در پیشبینی سری زمانی، تعمیم رفتار گذشته سری به آینده است. برای این منظور اولین قدم شناخت دقیق رفتار گذشته متغیر است. یکی از روشهای الگوسازی رفتار گذشته سری زمانی مدل خود توضیح جمعی میانگین متحرک (arima) است. در این پژوهش از مدل های arima و arfima برای پیشبینی قیمت هفتگی بنزین استفاده شد. همچنین پیشبینی مدل arima با پیش بینی مدل خود توضیح کسری جمعی میانگین متحرک (arfima)...
full textپیش بینی شاخص قیمت سهام با استفاده از مدل هیبریدی
پیشبینی شاخص قیمت بازار سهام به علت تاثیرپذیری آن از بسیاری عوامل اقتصادی و غیراقتصادی همواره امری مهم و چالش برانگیز بوده، به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیشبینی آن امری دشوار میباشد. از طرفی سریهای زمانی دنیای واقعی، برای مثال سری زمانی شاخص قیمت سهام، به ندرت دارای ساختاری کاملاً خطی و یا غیرخطی است. مدلهای هموارسازی نمایی، میانگین متحرک خودرگرسیون انباشته (آریما) و ش...
full textبررسی توان پیش بینی مدل های State Space و ARIMA-GARCH ،GARCH،ARIMA به کمک روش شبیه سازی مونت کارلو مطالعه موردی: شاخص قیمت بورس اوراق بهادار تهران )تپیکس(
و ARIMA-GARCH ،GARCH ،ARIMA هدف اصلی در مقاله حاضر مقایسه دقت پیش بینی چهار مدلدر تخمین و پیش بینی شاخص قیمت بورس اوراق بهادار تهران )تپیکس( است. برای این منظور، State Spaceداده های روزانه 1 بهمن سال 1389 تا 30 بهمن سال 1392 به عنوان درون داده و 1 اسفند 1392 تا 30 اردیبهشت1393 به عنوان برون داده، استفاده شده اند. از طرفی دیگر، برای بررسی بیشتر و افزایش دقت پیش بینی مدل هایمذکور برای شاخص تپیکس ...
full textمقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران
با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی زمانی1371:1 تا 1385:11 بوده و از شر...
full textMy Resources
Save resource for easier access later
Journal title:
دانش سرمایه گذاریجلد ۱، شماره ۲، صفحات ۶۳-۸۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023