بررسي امكان پيش بيني شاخص قيمت سهام در بازار سرمايه ايران و مقايسه توان پيش بيني مدل هاي خطي و غيرخطي

Predictability Test of Stock Market Price Index in Iran Investment Market and comparing Linear and Nonlinear models predictability potentials

سري هاي زماني بسيار پيچيده مانند قيمت هاي بازار سهام،معمولا تصادفي بوده ،در نتيجه تغييرات آنها غير قابل پيش بيني فرض مي شود.در بيشتر موارد در بررسي مشاهدات اماري مربوط به متغيرهاي اقتصادي از جمله قيمت بازار سهام از آزمون هايي استفاده شده كه در مواجهه با داده هاي آشوبي به اشتباه افتاده و انها را در داده هاي تصادفي تشخيص داده اند.در حالي كه اين داده ها در واقع،از مقام هاي معيني به و جود مي ايند كه با اختلالاتي جزيي همراه مي باشد.به همين دليل آزمون هاي پيش بيني پذيري و غير خطي براي بررسي و جود روند آشوبي معين و فرايندهاي غير خطي در سري زماني شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زماني 1379/8/1 تا 1386/7/2 مورد استفاده قرار داده ايم كه از جمله مي توان به آزمون هاي BDS،HURST، تسلسل و بعد همبستگي اشاره نمود كه نتايج به دست آمده نشان دهنده پيش بيني پذيري و وجود روند غير خطي در داده هاي مورد بررسي بوده است.پس از حصول اطمينان از پيش بيني پذيري و وجود روند غير خطي در داده هاي شاخص روزانه سهام،جهت ارائه مدل مناسب براي پيش بيني شاخص قيمت سهام،مدل هاي سري زماني خطي (AR) و غير خطي(GARCH)و شبكه عصبي مصنوعي(ANN) برآورد كرده،سپس،نتايج به دست امده از پيش بيني توسط اين مدلها را با استفاده از معيارهاي CDC،RMSE،MAE،MAPEو آماره U-THEILمورد مقايسه قرار داده ايم.نتايج به دست امده از مقايسه توان پيش بيني اين مدل ها بيانگر توان بالاي پيش بيني در مدل هاي شبكه عصبي مصنوعي نسبت به مدل هاي ديگر است.

Since the highly complicated Time Series such as Stock Market Prices are usually stochastic, their changes are assumed to be unpredictable. Some tests which have been used to study the statistical observations related to the economical variables e.g. Stock Market Price, are often go wrong while encountering the chaotic data and recognize them as stochastic ones, though these data are actually generated from the deterministic systems which bear few tribulations. For this reason the predictable and non-linear tests such as HURST, BDS, Runs Test, and Correlation Dimension have been used to study the existence of deterministic chaotic trend and non-linear process in Time Series of Daily Stock Market Price Index of TEHRAN STOCK EXCHANGE from 23 rd October, 2000 to 24 th September, 2002 . The result of the above mentioned tests shows the predictability and the existence of a non-linear process in the sample data. After the illustration of predictability and the non-linear process in daily stock index data, then the linear time series models (AR), non-linear (GARCH) and Artificial Neural Network (ANN) have been estimated to present a suitable model for predicting the Stock Price Index. Comparing the potential of predictability of these models by such criteria as: CDC, RMSE, MAE, MAPE and U-THEIL inequality coefficient, it has been revealed that there is the highest potential of predictability in Artificial Neural Network models than the other ones