ارزیابی عملکرد ساختارهای ترکیب سری و موازی به منظور پیش بینی و مدل سازی سری های زمانی مالی

ترکیب مدلهای مختلف از پرکاربردترین استراتژی های ممکن به منظور بهبود دقت پیشبینی های مالی است. در حالت کلی تکنیک های ترکیب مدلهای تکی را میتوان به دو دسته سری و موازی تقسیم بندی نمود. هدف نهایی تمامی این روشها استفاده از ویژگیهای خاص هر یک از مدلهای تکی در مدل سازی ساختارهای پیچیده موجود در داده ها و به ویژه بهبود دقت پیشبینی ها است. با وجود مزایای منحصر به فرد مدلهای ترکیبی، نحوه ترکیب مدلهای تکی و به عبارت دیگر معرفی یک متد ترکیب کارا در پیشبینی های مالی موضوعی مبهم در ادبیات موضوع میباشد. لذا در این مقاله به منظور انتخاب روش ترکیب برتر، عملکرد مدلهای ترکیبی سری و موازی مدلهای خودرگرسیون میانگین متحرک انباشته و شبکه عصبی پرسپترون چندلایه در پیشبینی سریهای زمانی مالی با یکدیگر مقایسه گردیده اند. نتایج بهدست آمده در پیشبینی قیمت سهام شاخص های شنزن چین و نیکی ژاپن بیانگر آن است که مدلهای ترکیبی سری به طور کلی نتایج دقیق تری را نسبت به مدلهای موازی ارائه میدهد.