تحلیل مقایسه ای کارآمدی مدلهای رگرسیون بردار پشتیبان، شبکه عصبی و arima با مدلهای ترکیبی در پیش بینی بازده شاخص بورس اوراق بهادار تهران

پایان نامه
چکیده

همواره پیش بینی روند شاخص بورس یکی از چالشهای پیشروی معاملهگران در بازارهای سرمایه بوده که این مساله به عنوان یک امر ضروری وکاربردی مطرح میشود .البته باید پیش بینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد. بنابراین با وجود تمام این شرایط ما نیازمند مدلی هستیم که بتواند با خطای کمتری بازده شاخص کل بورس را که موضوع مورد بررسی در این تحقیق می باشد را پیش بینی کند.با عنایت به موارد ذکر شده در این پژوهش به منظور پیش بینی شاخص کل بورس تهران اقدام به تحلیل مقایسه ای کارآمدی مدلهای رگرسیون بردار پشتیبان، شبکه عصبی و arima با مدلهای ترکیبی پرداخته شده است.

منابع مشابه

پیش بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه ها عصبی مصنوعی شعاع پایه

تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش‌بینی بازده شاخص هستیم. بدین منظور از شاخص بورس اوراق بهادار تهران استفاده شده است و عملکرد شبکه عصبی شعاع پایه و شبکه عصبی پرسپترون مقایسه شده‌اند. نوع آزمون عملکر...

متن کامل

مقایسه عملکرد مدلهای شبکه عصبی مصنوعی واتورگرسیون برداری در پیش بینی شاخص قیمت و بازده نقدی

هدف این مقاله تجزیه و تحلیل های اقتصادی، پیش بینی صحیح و دقیق متغیرهای اقتصادی است. در این زمینه، روشهای مختلفی برای پیش بینی در اقتصاد وجود دارد، که از جمله آنها میتوان به مدلهای رگرسیون ، معادلات همزمان و... اشاره کرد. مدلهای سری زمانی نیز از جمله مدلهای اقتصادی می باشند که در آن پیش بینی مقادیر سری، بیش از هر چیز به عهده خودشان گذاشته می شود اما استفاده از روش های غیر کلاسیک در شناسایی مدل و...

متن کامل

پیش بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه ها عصبی مصنوعی شعاع پایه

تا کنون برای پیش بینی بازده سهام و بازده شاخص از روش های متعددی استفاده شده است در این میان هوش مصنوعی و شبکه های عصبی مصنوعی یکی از روش های پیش بینی بازده شاخص بوده است. در حال حاضر به دنبال بررسی عملکرد شبکه عصبی شعاع پایه برای پیش بینی بازده شاخص هستیم. بدین منظور از شاخص بورس اوراق بهادار تهران استفاده شده است و عملکرد شبکه عصبی شعاع پایه و شبکه عصبی پرسپترون مقایسه شده اند. نوع آزمون عملکر...

متن کامل

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

بررسی سودمندی مدلهای ارزشگذاری در پیش بینی قیمت سهام در بورس اوراق بهادار تهران

این تحقیق بر آن است تا توانایی مدلهای ارزشگذاری سهام شامل مدل نسبت قیمت به سود (ضرایب تکاثری )و مدل ارزش افزوده بازاردر پیش بینی قیمت بازار سهام را طی یک دوره 4 ساله (1383-1386) در سه صنعت فلزات اساسی، خودروو ساخت قطعات و صنعت سیمان مورد بررسی قرار دهد . ارزش های برآورد شده سهام با قیمتهای واقعی آنها به منظور صحت مدل های استفاده شده در این فرایند ارزشیابی مورد مقایسه قرار می گیرند. این تحقیق ا...

متن کامل

مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران

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 پی...

متن کامل

منابع من

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

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشکده علوم اقتصادی - دانشکده مدیریت و حسابداری

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023