بررسی نتایج بکارگیری مدل¬های شبکه عصبی مصنوعی و گارچ در پیش¬بینی شاخص بورس اوراق بهادار تهران

موضوع اصلی تحقیق عبارت است بررسی نتایج بکارگیری مدل¬های شبکه عصبی مصنوعی و گارچ در پیش¬بینی شاخص بورس اوراق بهادار تهران. اهداف اساسی این تحقیق شامل 1- پیش¬بینی نوسانات شاخص با مدل wnn-garch.¬ 2-مقایسه نتایج حاصل از تخمین با مدل wnn-garch با نتایج حاصل از تخمین واریانس ناهمسانی شرطی خودرگرسیو گارچ و همچنین با شبکه عصبی مصنوعی بدون آنالیز موجک برای رسیدن به سیستمی بهینه در پیش¬بینی با کم¬ترین خطا.¬ تکنیکی که به منظور انجام این تحقین در پیش¬بینی مورد استفاده قرار گرفته است¬، تلفیق مدل گارچ که به منظور مدل سازی نوسانات ارتقا یافته است، با شبکه عصبی مصنوعی موجکی می¬باشد¬. برای ترکیب این دو مدل از شبکه عصبی مصنوعی برای تخمین مدل گارچ استفاده شده است. روش مرسوم برای تخمین مدل گارچ روش ml می¬باشد که در این روش فرض می¬گردد تابع توزیع داده¬ها از نوع نرمال و یا t-student می¬باشد اما در عمل سری زمانی داده¬های مالی از نوع دنباله پهن و یا با کشیدگی منفی هستند لذا در این تحقیق با استفاده از شبکه عصبی به عنوان یک مدل غیرخطی برآورد بهتری از تخمین گارچ ارائه شده است. به منظور بهبود هرچه بیشتر نتایج از آنالیز موجک در شبکه عصبی استفاده شده است. این تحقیق در چند مرحله انجام شد : در مرحله اول پس از جمع آوری داده¬ها که همان سری زمانی شاخص کل بورس اوراق بهادار می¬باشد، سری بازده شاخص کل ایجاد می¬گردد و آزمون¬های اولیه از جمله آزمون مانایی و آزمون وجود اثرات آرچ و گارچ بر روی سری زمانی داده¬ها انجام می¬گیرد. در مرحله دوم به مدل¬سازی و تخمین ضرایب مدل گارچ با تخمین ml پرداخته و پیش¬بینی درون نمونه¬ای و برون نمونه¬ای نوسانات شاخص کل بورس اوراق بهادار توسط مدل تخمین زده شده انجام گرفته است. در مرحله¬ی سوم از شبکه عصبی مصنوعی-گارچ برای مدل¬سازی و پیش¬بینی نوسانات بهره جستیم¬. در مرحله¬ی چهارم از موجک جهت ارتقا و بهبود نتایج مدل مرحله¬ی سوم استفاده کردیم. در نهایت نتایج حاصل از پیش¬بینی توسط سه مدل که در مراحل قبل شرح داده شد، با همدیگر مقایسه می شود و نتایج بدست آمده نشان داد که مدل ترکیبی شبکه عصبی موجکی – گارچ (wnn-garch ) قدرت پیش بینی درون نمونه ای و برون نمونه ای بیشتری نسبت به مدل¬های منفرد دارد.