مقایسه مدل‌های‌ رشد لجستیکی با مدل‌های رقیب در پیش‌بینی شاخص کل بورس اوراق بهادار تهران

Abstract

<strong>هدف:</strong> هدف اصلی این مطالعه مقایسه مدل‌های رشد لجستیکی هاروی، هاروی، شبکه عصبی غیرخطی اتورگرسیو و طراحی و یافتن مدلی بهینه با دقت پیش‌بینی بهتر برای داده‌های شاخص کل بورس تهران است که این مدل وابستگی زیادی به مقادیر گذشته خود دارد، پرنوسان است و روند حرکتی غیرخطی دارد که تاکنون مغفول مانده است.<br /> روش: در این پژوهش با به‌کارگیری مدل‌های رشد «لجستیک هاروی» و «هاروی» و افزودن جزء غیرخطی بر اساس بسط سری تیلور توابع مثلثاتی روی داده‌های روزانه مربوط به سال‌های 1393 تا 1395، نوسان‎های شاخص کل بورس به چهار گروه دسته‌بندی شدند و ضمن مشخص‎شدن کارآمدی این مدل‌ها بر اساس معیارهای پیش‌بینی، نتایج آن با شبکه عصبی غیرخطی اتورگرسیو ارزیابی و مقایسه شد.<br /> یافته‌ها: نتیجۀ آزمون‌های ریشه واحد دیکی فولر و BDS بیان‎کننده این است که داده‌ها مانا هستند و رفتار غیرخطی دارند. در مرحله برآورد، از آنجا که مدل‌های لجستیک ‌هاروی و هاروی ریشه میانگین مربعات خطای بالا و ضریب تعیین کم داشتند، خوبی برازش آنها در هر چهار نوع داده تأیید نشد. با افزودن جزء غیرخطی به مدل هاروی برازش بسیار مناسبی از شاخص کل بورس با ضریب تعیین حداقل 8/99درصد و حداقل ریشه میانگین مربعات خطا ب‌‎دست آمد که حتی در مقایسه با شبکه عصبی غیرخطی اتورگرسیو بهتر بود.<br /> نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که ترکیب مدل هاروی با جزء غیرخطی، در مقایسه با دو مدل رشد لجستیکی هاروی و شبکه عصبی غیرخطی اتورگرسیو، شاخص کل بورس تهران را بهتر پیش‌بینی می‌کند.