مقايسه عملكرد مدلهاي شبكه عصبي مصنوعي واتورگرسيون برداري در پيش بيني شاخص قيمت و بازده نقدي

Comparison of neural networks and Auto regression performance in prediction of Dividend and Price Index

هدف اين مقاله تجزيه و تحليل هاي اقتصادي، پيش بيني صحيح و دقيق متغيرهاي اقتصادي است. در اين زمينه، روشهاي مختلفي براي پيش بيني در اقتصاد وجود دارد، كه از جمله آنها ميتوان به مدلهاي رگرسيون ، معادلات همزمان و... اشاره كرد. مدلهاي سري زماني نيز از جمله مدلهاي اقتصادي مي باشند كه در آن پيش بيني مقادير سري، بيش از هر چيز به عهده خودشان گذاشته مي شود اما استفاده از روش هاي غير كلاسيك در شناسايي مدل و پيش بيني رفتار سيستم هاي پيچيده، مدتهاست در محافل علمي و حتي حرفه اي متداول و معمول شده است. در بسياري از سيستم هاي پيچيده و خصوصاً غير خطي كه مدل سازي و به دنبال آن پيش بيني و كنترل آنها از طريق روش هاي كلاسيك و تحليلي امري بسيار دشوار و حتي بعضاً غير ممكن مي نمايد، از روش هاي غير كلاسيك كه از ويژگي هايي همچون هوشمندي، مبتني بر معرفت و خبرگي برخوردار هستند، استفاده مي شود. شبكه هاي عصبي، يكي از اين روش هاي بديع و در حال تحول است كه در موضوعات متنوعي از قبيل الگوسازي، شناخت الگو، خوشه بندي و پيش بيني به كار رفته و نتايج مفيدي داشته است. در اين مقاله، از شبكه هاي عصبي در پيش بيني سري هاي زماني داده هاي اقتصادي استفاده كرده ايم. در اين رابطه عوامل مختلف ساختاري، روش هاي مختلف يادگيري شبكه هاي عصبي و انتخاب و كاربرد مناسب داده ها در فرايند پيش بيني، مورد ارزيابي و بررسي قرار گرفته است و با مدل هاي ساختاري و سري زماني مانند اتورگرسيون برداري مقايسه گرديده است. در اين پژوهش، از ابزارهاي محاسباتي نرم افزار MATLAB و شاخص قيمت و بازده نقدي بورس اوراق بهادار تهران مابين سال هاي 1385 تا 1390 استفاده شده است. خلاصه نتيجه گيري و پيشنهادات حاكي از آن است كه مدل شبكه هاي عصبي مصنوعي از عملكرد بهتري در پيش بيني مقادير متغيرها برخوردار است .

This paper present two models for short and long term stock price forecasting using Artificial Neural Networks and Vector Auto regression analyses as complementary methods. Presented models also will be able to forecast the stock price of future day. The models forecast the stock price of future day with using of previous stock price information. In presented models, it is possible to use the calendar parameters, like the day of week, special days and etc to forecast the stock price. A major contribution of this work is the resulting time-delayed artificial neural network model that allows stock return predictions and is particularly useful as an investment decision support system for hedge funds and other investors, whose portfolios are at risk of losing market value. After designing mentioned models, and specifying construction of multi-layer perception neural network, designed network is trained using available data. Presented method for training the perception neural network is, Error back propagation algorithm, which has variable learning rate and momentum factor, and also is fast. Finally, the models have been applied on Tehran-stock Exchange Price Index (TEPIX) and Tehran- stock Exchange-Dividend and Price Index (TEDPIX) and result are compared together and advantages and disadvantages of these models are described. The results show validity of presented models.