مقایسه توانایی مدل شبکه عصبی پس انتشارخطا و شبکه های عصبی موجک در پیش بینی شاخص کل قیمت بورس

شاخص کل قیمت سهام یک سری زمانی غیرخطی و نامانا است که دارای شکست های ساختاری می باشد، رفتار آن آشوبناک است و تحت تأثیر عوامل متعددی قرار دارد. پیش بینی شاخص کل با استفاده از روش های کلاسیک اقتصادسنجی، به دلیل مفروضات محدودکننده و غیرواقعی، دشوار می باشد و قابلیت اتکای بالایی ندارد. به همین منظور با به کارگیری روش های هوشمند و علوم غیرخطی، سعی بر آن است که این مشکلات هموار شود. با ترکیب چارچوب شبکه های عصبی و تبدیل موجک، نوع جدیدی از شبکه های عصبی به نام شبکه عصبی موجک به دست می آید که می توان با استفاده از آن، معضلات مدل های کلاسیک را هموار ساخت و پیش بینی قابل اتکاتری از شاخص کل قیمت بورس به دست آورد. پژوهش حاضر به لحاظ هدف کاربردی و از نوع پژوهش های توصیفی-همبستگی می باشد که در آن توانایی سه نوع شبکه ی عصبی موجک و شبکه عصبی پس انتشار در پیش بینی شاخص کل قیمت، به وسیله ی شش فرضیه مورد مقایسه قرارگرفته است. جامعه ی آماری پژوهش حاضر، شامل شاخص کل قیمت بورس اوراق بهادار برای دوره ی زمانی ده ساله از 1382 تا 1391 می باشد. فرضیه های پژوهش با استفاده از معیارهای مجذور میانگین مربعات خطا و میانگین درصد خطای مطلق مورد آزمون قرار گرفته اند. نتایج حاصل از پژوهش نشان می دهد که شبکه عصبی موجک غیر متراکم و شبکه عصبی موجک ترکیبی دارای دقت پیش بینی بهتری نسبت به شبکه عصبی موجک متراکم و شبکه عصبی پس انتشار خطا می باشند. این دو مدل در داده های آزمون و آموزش دارای خطای پیش بینی کمتری نسبت به شبکه عصبی موجک متراکم و شبکه عصبی پس انتشارخطا می باشند و برای پیش بینی شاخص کل مناسب می باشند.