مقایسه عملکرد الگوهای رگرسیونی سری زمانی با شبکه های عصبی مصنوعی سری زمانی و ایستا در پیشبینی شاخص قیمت سهام

نوسانات شدید شاخص قیمت سهام بورس تهران در سال گذشته سبب رکود این بازار و روگردانی سرمایه گذاران از سرمایه گذاری در بورس گردیده است.پیشبینی دقیق سهام در کسب بازده مناسب توسط سرمایه گذاران نقش بسزایی دارد. هدف از تحقیق حاضر پاسخ به این سوال استکه از بین مدلهای شبکه عصبی مصنوعی ایستا از نوع پرسپترون چندلایه و پویای اتورگرسیوNNAR و NNARX و مدل سری زمانی میانگین متحرک انباشته خودرگرسیونی ARIMA کدام یک از عملکرد بهتری برخوردارند. داده های مورد نیاز تحقیق به صورت روزانه طی بازه زمانی ۱۳۹۰/۹/۶ تا ۱۳۹۹/۹/۸ و شامل شاخص قیمت سهام بورس تهران، حجم معاملات سهام، قیمت طلا، قیمت نفت و نرخ ارز(دلار) میباشد. تعداد کل داده های از هر متغیرشامل۲۱۵۸ داده بود که از این تعداد ۸۰درصد برای نمونه و بقیه جهت مقایسه عملکرد پیش بینی انتخاب شد. اجرای مدلARIMA بر اساس متدولوژی چهارگانه باکس جنکینز نشان داد که این روش قادر به پیش بینی شاخص قیمت سهام است. سه نوع شبکه عصبی با الگوریتم های لونبرگ مارکوات، بیزین و مزدوج گرادیان مقیاس بندی شده اجراء شد. در مورد شبکهعصبی ایستا، شبکه پرسپترون با ساختار ۴-۴۰-۱ با الگوریتم آموزش بیزین از کمترین میزان خطا برخوردار بود. یافته های شبکه عصبی سریزمانی NAR نیز نشان داد بهترین شبکه دارای الگوریتم بیزین با ۴۰ نرون در لایه پنهان است. یافته های پژوهش آشکار ساخت بر اساس معیارهای ارزیابی عملکرد، مدل شبکه عصبی مصنوعی پویای اتورگرسیوNNARX جهت پیشبینی شاخص قیمت سهام؛ نسبت به سایر روشها از کارایی بیشتری برخوردار هستند.