پيش بيني شاخص بورس تهران با استفاده از سري زماني فازي بر اساس تعريف نرخ بازده

Forecasting Tehran’s bourse price index using return-based fuzzy time series

در ساليان اخير تحقيقات گسترده اي برروي مدل ها ي سري زماني فازي انجام شده است اما در بسياري از اين تحقيقات، همواره فضاي مسيله و بازه هاي مربوطه، بر اساس سطوح داده ها ي سري زماني تعيين شده است. در اين تحقيق با نگاهي جديد به تعيين فضاي مسيله و استفاده از مفهوم نرخ بازده در بازارهاي مالي، نوع جديدي از فضاي مسيله بر اساس نرخ بازده براي كاربرد در بازار هاي مالي و پيش بيني سري هاي زماني مالي ارايه شده است. يكي از مسايل ديگر در مدل هاي سري زماني فازي كه تاثير به سزايي در عملكرد آنها دارد طول بازه هاي مورد استفاده و نحوه ي تقسيم بندي فضاي مسيله مي باشد كه در اين زمينه تحقيقات متنوعي انجام شده است اما نتايج حاصله تا كنون راضي كننده نيست. لذا در اين تحقيق با استفاده از الگوريتم شبيه سازي تبريد سعي در برطرف نمودن ايرادات مطالعات قبلي براي تعيين بازه هاي مناسب شده است. حاصل تحقيق مدل RBFTS است. براي مقايسه عملكرد مدل ارايه شده و مدل هاي موجود در ادبيات، از دو مسيله ي بورس تايفكس و پذيرش دانشگاه آلاباما كه به عنوان مرجع مقايسه ي اين دسته از مدل ها هستند استفاده شده است. نتايج حاصله نشان دهنده ي برتري مدل هاي ارايه شده نسبت به مدل هاي پيشين است. در نهايت به عنوان مورد اجرايي، دو مدل نامبرده برروي شاخص بازار بورس تهران اجرا شده و نتايج تحليل گرديد.

During the recent years extensive researches have been done on fuzzy time series. In many of these studies, universe of discourse and relevant intervals have been determined based on levels of price or data; in this study a new type of universe of discourse is established based on rate of return concept in financial markets. Another point that has a significant effect on the performance of fuzzy time series models is the length of intervals, therefore doing research in this area became an interesting topic for time series researchers, there are some studies on this issue but their results are not good enough. So we propose a novel simulated annealing heuristic algorithm that is used to promote the accuracy of forecasting. The experimental results show that proposed model (RBFTS) is more accurate than existing models on forecasting Alabama university enrollments data. At the final step, Tehran’s bourse price index (TEPIX) is used as a case study for forecasting. The obtained results indicate a good forecasting performance on this test problem.