مقایسه مدل های سری زمانی غیر خطی شبکه عصبی مبتنی بر الگوریتم ژنتیک (gmdh) و اتورگرسیو مشروط به ناهمگنی واریانس (garch)

در نظر گرفتن یک فرض کلاسیک در ساختمان سری ها موجب شده است، مشاهدات را با یک الگوی خطی که ضرایبش با زمان تغییر نمی کند در نظر گیرند. اما بسیاری از سری های زمانی دارای میانگین و واریانس ثابتی در طول زمان نیستند در این شرایط مدل های اتورگرسیو مشروط به ناهمسانی واریانس اغلب به نتایج مطلوبی منجر می شوند. تحقیقات نشان داده اند مدل های شبکه عصبی برای نمایش رفتار غیرخطی داده ها نیز از عملکرد قابل توجهی برخورد است. در این تحقیق مدل های اتورگرسیو مشروط به ناهمسانی واریانس و شبکه عصبی مورد بررسی قرار می گیرد. مدل های arch و garch از خانواده مدل های اتورگرسیو مشروط به ناهمسانی واریانس و شبکه عصبی gmdh مبنی بر الگوریتم ژنتیک از خانواده مدل های شبکه عصبی معرفی شده و کاربرد آن ها بر روی داده های بورس از مهر ماه 89 تا مهر ماه 92 در مدل سازی شاخص بازده سهام بورس اوراق بهادار تهران بررسی و بر اساس سه معیار mse، rmse و mape از لحاظ قدرت پیش بینی مورد مقایسه قرار گرفته اند. کلمات کلیدی: سری های زمانی غیرخطی، مدل garch، مدل gmdh، الگوریتم ژنتیک