پيش بيني شاخص قيمت سهام با استفاده از مدل هيبريدي

Stock Price Index Forecasting Using a Hybrid Model

پيش بيني شاخص قيمت بازار سهام به علت تاثيرپذيري آن از بسياري عوامل اقتصادي و غيراقتصادي همواره امري مهم و چالش برانگيز بوده، به طوري كه انتخاب بهترين و كارآمدترين مدل به منظور پيش بيني آن امري دشوار مي باشد. از طرفي سري هاي زماني دنياي واقعي، براي مثال سري زماني شاخص قيمت سهام، به ندرت داراي ساختاري كاملاً خطي و يا غيرخطي است. مدل هاي هموارسازي نمايي، ميانگين متحرك خودرگرسيون انباشته (آريما) و شبكه عصبي خودرگرسيون غيرخطي مي تواند براي پيش بيني بر اساس سري هاي زماني استفاده گردد. در اين پژوهش به منظور استفاده از مزيت هاي هريك از اين مدل ها و كاهش خطاي پيش بيني، روشي هيبريدي با استفاده از تركيب خطي نتايج پيش بيني اين مدل ها آزمون شده است. وزن هاي بكاررفته به منظور تركيب نتايج با استفاده از الگوريتم ژنتيك و همچنين بكارگيري وزن هاي مساوي تعيين گرديده است. پس از مشخص شدن قابليت پيش بيني پذيري سري زماني مورد مطالعه (با استفاده از آزمون نسبت واريانس)، روش تركيبي مذكور بر روي مقادير ماهيانه شاخص قيمت بورس اوراق بهادار تهران بكارگرفته شد. نتايج بدست آمده نشان دهنده كاهش خطاي پيش بيني هاي صورت گرفته توسط مدل هيبريدي (در حالت استفاده از وزن هاي مساوي) نسبت به مدل هاي تشكيل دهنده آن است.

Forecasting stock market price index has always been a challenging task، since it is affected by many economic and non-economic factors; therefore، selecting the best and the most efficient forecasting model is difficult.The time series in the real world، including the stock price index time series، rarely have a pure linear or non-linear structure. The Exponential Smoothing Model، Autoregressive Integrated Moving Average Model، and Nonlinear Autoregressive Neural Network can be used to make forecasts based on time series. In this research، to take advantage of all these models and to reduce forecasting errors، a novel approach was tested by the linear combination of the results of these models.Weights used to combine the results، were determined using Genetic Algorithm and also equal weights. After determining the predictability of time series (using variance ratio test) the proposed hybrid methods were used on a monthly set of Tehran Stock Exchange Price Index (TEPIX). The results showed an improvement in forecasts made by this method with using equal weights compared to each of its constituent models.