ارزيابي مدلهاي شبكه عصبي مصنوعي ايستا و پويا در پيشبيني قيمت سهام

Comparison of various static and dynamic artificial neural networks models in predicting stock prices

پيشبيني آينده در عرصه پوياي اقتصاد و بازارهاي مالي از جمله بازار بورس به يكي از مهمترين مسايل در علوم مالي ارتقا يافته است. همچنين، در دههي اخير مدلهاي شبكه عصبي به علت عملكرد واقع بينانهتر اين مدلها مورد توجه محققين قرار گرفته و از انواع مختلف آنها براي پيشبيني استفاده شده است. اكنون اين سيوال مطرح است كه، كدام يك از اين مدلها قدرت بالاتري براي تبيين فرآيندهاي آتي بورس را دارا ميباشد؟ در ( همين راستا، اين مطالعه به مقايسه دقت عملكرد مدلهاي شبكه عصبي ايستا و پويا در پيش بيني (تك متغيره 1 بازدهي شاخص قيمت و بازده نقدي بورس تهران ميپردازد تا امكان انتخاب الگوي بهينه براي پيش بيني متغير مذكور را ميسر نمايد. داده هاي مورد استفاده در اين پژوهش به صورت روزانه و شامل بازه ي زماني پنجم فروردين 1388 تا سيام آبان 1390 ميباشد. همچنين الگوهاي مورد استفاده در اين پژوهش عبارتند از؛ دو مدل و نيز يك مدل شبكه ي (MFNN) و شبكه عصبي چند لايه پيشخور (ANFIS) ايستاي؛ شبكه ي عصبي فازي هستند. اين پژوهش عملكرد مدلهاي مذكور را، بر اساس معيارهاي (NNARX) عصبي پوياي اتورگرسيو 3 مورد (RMSE) 2 و نيز معيار جذر ميانگين مجذور خطا (MSE) محاسبه ي خطاي پيش بيني ميانگين مجذور خطا ارزيابي قرار داده است.

In this disquisition, has been paid to comparing the performance of static and dynamics neural network by purpose choosing appropriate model in predicting of Tehran Stock Exchange. The data used in this study consists of daily and interval of time 1388/1/5 to 1390/8/30, that Including 616 observation for in sample and out of sample forecasting. Approximately 90% of these observations (556 data) use to estimate coefficients of the model and the rest of them (60 data) use to forecast out of sample. Models are also employed in this research; two stationary neural network models such as fuzzy neural network (ANFIS) and artificial neural network (ANN) and a dynamic regression neural network model (NNARX). The results of this survey indicate that According to Criteria to calculate the forecast error, among Mean squared error (MSE) and root mean square error (RMSE), Fuzzy neural network model of static, dynamic regression models, neural networks, and finally static artificial neural network models have lowest prediction error, Respectively.