پیش بینی شاخص قیمت سهام با استفاده از مدل هیبریدی

Abstract

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 شبکه عصبی خودرگرسیون غیرخطی می‌تواند برای پیش‌بینی بر اساس سری های‌ زمانی استفاده گردد. در این پژوهش به منظور استفاده از مزیت های هریک از این مدل‌ها و کاهش خطای پیش‌بینی، روشی هیبریدی با استفاده از ترکیب خطی نتایج پیش‌بینی این مدل‌ها آزمون شده است. وزن‌های بکاررفته به منظور ترکیب نتایج با استفاده از الگوریتم ژنتیک و همچنین بکارگیری وزن‌های مساوی تعیین گردیده است. پس از مشخص شدن قابلیت پیش‌بینی‌پذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس)، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد. نتایج بدست آمده نشان دهنده کاهش خطای پیش‌بینی‌های صورت گرفته توسط مدل هیبریدی (در حالت استفاده از وزن‌های مساوی) نسبت به مد‌ل‌های تشکیل دهنده آن است.