ارائه مدلي براي پيش‌بيني سري زماني قيمت هاي نويزدار سهام با استفاده از تحليل طيف تكين، رگرسيون بردار پشتيبان بهمراه بهينه‌سازي ازدحام ذرات و مقايسه آن با عملكرد مدل هاي تبديل موجك، شبكه عصبي، فرآيند ميانگين متحرك خودرگرسيون و رگرسيون چندجمله‌اي

Provide a model for predicting noisy stock price time series using singular spectrum analysis, support vector regression with particle swarm optimization and compare it with the performance of wavelet transform, neural network, moving average self-regression process and polynomial regression

در اين پژوهش مدلي براي تحليل و پيش‌بيني سري زماني مالي نويزدار قيمت سهام با استفاده از تحليل طيف تكين و رگرسيون بردار پشتيبان همراه با بهينه‌سازي ازدحام ذرات ارائه شده است. بدين صورت كه سري زماني قيمت بسته ‌شده 140 سهم از شركتهايي در صنايع مختلف در هر دقيقه در روز براي دوره‌اي از 28 ارديبهشت تا 11 خرداد براي سال هاي 1392 تا 1398 بصورت جداگانه از بورس اوراق بهادار تهران مورد بررسي قرار گرفت. همچنين عملكرد مدل پيشنهادي با عملكرد چهار مدل تبديل موجك همراه با شبكه عصبي، فرآيند ميانگين متحرك خود رگرسيون، رگرسيون چندجمله‌اي و مدل نايو مقايسه شد. از ميانگين خطاي مطلق، ميانگين درصد خطاي مطلق، و ميانگين ريشه مربعات خطا به عنوان معيارهاي اصلي عملكرد استفاده گرديد. نتايج نشان مي دهد كه عملكرد مدل ارائه شده براي تحليل و پيش‌بيني سري زماني مالي نويزدار بر اساس ميانگين خطاي مطلق، ميانگين درصد خطاي مطلق و ميانگين ريشه مربعات خطا، بهتر از مدل هاي ديگر(شامل: تبديل موجك، ميانگين متحرك خود رگرسيون، رگرسيون چندجمله‌اي، مدل نايو) است.

In this research, a model for analyzing and predicting the noisy financial time series of stock prices using singular spectrum analysis and support vector regression along with particle swarm optimization is presented. Thus, the time series of closed prices of 140 shares of companies in different industries per minute per day for the period from 28 May to 11 June for the years 1392 to 1398 was examined separately from the Tehran Stock Exchange. Also, the performance of the proposed model was compared with the performance of four wavelet transform models with neural network, moving average regression process, polynomial regression and naïve model. Mean absolute error, mean absolute error percentage, and mean square root of error were used as the main performance criteria. The results show that the performance of the proposed model for analyzing and predicting noisy financial time series based on mean absolute error, mean absolute error percentage and mean square root of error is better than other models (including: wavelet transform, moving average self-regression, regression Polynomial is the naïve model).