ارايه مدلي براي پيش بيني اثر متغيرهاي كلان بر شاخص قيمت سهام خودرو با استفاده ازروش شبكه عصبي GMDH

A model for predicting the effect of macro variables on vehicle price index by using GMDH neural network

بازار سهام به عنوان پايه اساسي بازار مالي، نقش مهمي در تسهيل سرمايه گذاري در بازار سرمايه دارد. با توجه به اهميت انتظارات در زمينه هاي مختلف اقتصادي، هدف اصلي اين تحقيق، بررسي رفتار پروژه شاخص قيمت سهام خودرو است. بنابراين، پس از بررسي نظريه هاي اقتصادي مهم و مرتبط با تحقيق، يك روش جديد به نام شبكه عصبي مصنوعي GMDH، براي پيش بيني تاثير متغير اقتصاد كلان بر شاخص قيمت سهام خودرو معرفي مي كنيم. الگوريتم GMDH يك مدل غير خطي براي پيش بيني روابط سيستماتيك پيچيده بين متغيرهاي مدل است. ويژگي اصلي اين الگوريتم قياسي، تشخيص و غربالگري موثرترين متغير براي برآورد مدل با نمونه هاي آموزشي و حذف متغيرهاي غير ضروري از فرآيند شبيه سازي مي باشد. بنابر اين، مي توان مدل را با استفاده از روش هاي تكرار هاي متناوب حل كرده تا خطاهاي استاندارد معمول مانند RMSE، MAPE و غيره به حداقل برسد.

The stock market as a fundamental basic of the financial market has a crucial role in facilitation of investments in the capital market. Given the importance of expectations in different economic fields, the main purpose of this study is to project behavior of the Automobile stock price index. Therefore, after a review of dominant economic theories, we use a new method, artificial neural network GMDH, to forecast the impact of macroeconomic variable on the Automobile stock price index. The GMDH Algorithm is a nonlinear model to anticipate complex systematic relationships between variables of the model. The special feature of this deductive algorithm is recognition and screening of the most effective variable to estimate the model with training samples and omit the non-significant ones from the simulation process with testing samples. So, we can solve the model via iterative methods to minimize the typical standard Error like RMSE, MAPE, and so on.