• ورود به سامانه
      مشاهده مورد 
      •   صفحهٔ اصلی
      • نشریات فارسی
      • اقتصاد مالی
      • دوره 4, شماره 12
      • مشاهده مورد
      •   صفحهٔ اصلی
      • نشریات فارسی
      • اقتصاد مالی
      • دوره 4, شماره 12
      • مشاهده مورد
      JavaScript is disabled for your browser. Some features of this site may not work without it.

      پیش‌بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH

      (ندگان)پدیدآور
      فرمان آرا, امیدفرمان آرا, وحید
      Thumbnail
      دریافت مدرک مشاهده
      FullText
      اندازه فایل: 
      586.0کیلوبایت
      نوع فايل (MIME): 
      PDF
      نوع مدرک
      Text
      زبان مدرک
      فارسی
      نمایش کامل رکورد
      چکیده
      اقتصاد هر کشور از بخش¬های مختلفی تشکیل شده که روابط بین این بخش¬ها، سمت و سوی اقتصاد آن کشور را مشخص می¬کند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجزای تشکیل¬دهنده بازارهای مالی بوده و در واقع، شریان¬های اصلی یک اقتصاد محسوب می¬شوند، که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد، احتمال بروز اختلالات و نقصان¬هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه¬گذاری¬های شکل گرفته در بازار سرمایه ایفا می¬کند. هدف اصلی این پژوهش پیش¬بینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر شناخته‌شده‌ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه¬ عصبی GMDH، اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش‌بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها، بهینه‌سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون است. بدین ترتیب، می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و در نهایت، مدل بهینه برای پیش‌بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون براین، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه 0.37درصد، ماهانه 0.35درصد و برای فصلی 2.04درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز، نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای مؤثر بوده و هیچکدام از مدل حذف نشدند
      کلید واژگان
      پیش‌بینی، شاخص قیمت سهام، متغیر‌های کلان، شبکه‌های عصبی مصنوعی، الگوریتم GMDH. طبقه بندی JEL: E3

      شماره نشریه
      12
      تاریخ نشر
      2010-11-22
      1389-09-01
      ناشر
      دانشگاه آزاد اسلامی واحد تهران مرکزی
      سازمان پدید آورنده
      دانشجوی دوره دکتری اقتصاد دانشگاه تهران
      کارشناس ارشد اقتصاد دانشگاه ازاد اسلامی واحد علوم و تحقیقات

      شاپا
      2538-3833
      2538-3841
      URI
      http://ecj.iauctb.ac.ir/article_510703.html
      https://iranjournals.nlai.ir/handle/123456789/390345

      مرور

      همه جای سامانهپایگاه‌ها و مجموعه‌ها بر اساس تاریخ انتشارپدیدآورانعناوینموضوع‌‌هااین مجموعه بر اساس تاریخ انتشارپدیدآورانعناوینموضوع‌‌ها

      حساب من

      ورود به سامانهثبت نام

      تازه ترین ها

      تازه ترین مدارک
      © کليه حقوق اين سامانه برای سازمان اسناد و کتابخانه ملی ایران محفوظ است
      تماس با ما | ارسال بازخورد
      قدرت یافته توسطسیناوب