پيش بيني شاخص كل بورس اوراق بهادارتهران با استفاده از روش تحليل طيفي تكين و الگوريتم ژنتيك

Predicting the Overall Index of Tehran Stock Exchange Using Singular spectrum analysis and Genetic Algorithm

نوسانات در بازارهاي مالي با سيگنال و نويز همراه مي‌باشد. در اين مقاله علاوه بر تجزيه‌وتحليل طيفي تكين، براي پيدا كردن طول پنجره و نقطه برش بهينه از الگوريتم ژنتيك استفاده‌شده است كه تابع هدف آن، يافتن حداقل مقدار براي تابع همبستگي ميان مؤلفه‌هاي سيگنال و نويز مي‌باشد. بدين خاطر ابتدا دادهاي ده‌ساله شاخص كل بورس اوراق بهادار تهران طي سال‌هاي 1388 تا 1397 با استفاده از روش تجزيه طيفي تكين در سه پياده‌سازي شد. سپس در قالب يك مسئله بهينه‌سازي توسط الگوريتم ژنتيك حل شد. نتايج حاصل از فرضيه اول نشان داد كه تفكيك‌پذيري سيگنال و نويز درروش تحليل طيفي تكين امكان‌پذير مي‌باشد. هم‌چنين با توجه به نتايج حاصل در تحقيق، تحليل طيفي تكين مبتني بر الگوريتم ژنتيك با داشتن خطاي قدر مطلق ميانگين كمتر، بهبود در دقت پيش‌بيني را نشان داد. درنهايت نيز با توجه به يافتن كمترين همبستگي وزني بين مؤلفه‌هاي سري زماني جهت تفكيك سيگنال و نويز (يافتن نقطه‌ي برش) و سپس با دست آوردن طول پنجره‌ي بهينه در تحليل طيفي تكين مبتني بر الگوريتم ژنتيك، گوياي اين واقعيت است كه تغيير در مقدار پارامترها مي‌تواند در بهبود عملكرد روش تحليل طيفي مفيد واقع شود.

Fluctuations in the financial markets are accompanied by signals and noise. In this paper, in addition to Singular Spectrum Analysis (SSA), a Genetic Algorithm (GA) is used to find the optimal window length and cut-off point, the objective of which is to find the minimum value for the correlation function between signal and noise components. Therefore, first, ten-year data of the overall index of Tehran Stock Exchange during 2009 to 2018 were implemented in three using the SSA method. Then it was solved in the form of an optimization problem by a genetic algorithm. The results of the first hypothesis showed that signal and noise resolution is possible in the SSA method. Also, according to the results of the research, Singular spectrum analysis based on genetic algorithm with an absolute value of less than the average value showed an improvement in prediction accuracy. Finally, considering the lowest weight correlation between time series components for signal and noise separation (finding the cut-off point) and then obtaining the optimal window length in the SSA based on GA, indicates the fact that the amount of parameters can be changed. Improve the performance of the SSA method to be useful.