مدل پيش بيني بر اساس سري زماني فازي مرتبه بالا و الگوريتم شبيه سازي تبريد، مطالعه موردي: شاخص بورس تهران

A Forecasting Model based on High-Order Fuzzy Time Series and Simulated Annealing Algorithm, Case Study: Tehran’s Bourse Price Index (TEPIX)

در ساليان اخير تحقيقات گسترده اي بر روي مدل هاي سري زماني فازي انجام شده است و همواره تعيين اندازه و چيدمان بازده هاي مجموعه هاي فازي جزو اصلي ترين مسائل تحقيقاتي در اين زمينه بوده است . 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 و سه عملگر جديد طراحي شده سعي در برطرف نمودن ايرادات مطالعات قبلي براي تعيين بازه هاي مناسب شده است . گفتني است كه در اين بخش از روش تاگوچي به عنوان ابزاري براي تعيين مقادير بهينه ي پارامترها و فاكتورهاي مدل استفاده شده است . به جهت مقايسه ، مدل پيشنهادي (SAFTS) براي پيش بيني داده هاي دانشگاه آلاباما استفاده شد كه نتايج به دست آمده از برتري مدل پيشنهادي نسبت به مدل هاي موجو حكايت مي كند و در نهايت به عنوان يك مورد كاربردي ، مدل پيشنهادي بر روي شاخص بازار بورس تهران اجرا شد و نتايج آن تحليل گرديد.

During the recent years extensive researchs have been done on fuzzy time series. Since length of intervals affect the forecasting results in these models, 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. In this study, we propose a novel simulated annealing heuristic algorithm is used to promote the accuracy of forecasting. The algorithm enjoys two new neighborhood search operators called “subtitle” and “adjust". A Taguchi method as an optimization technique is also employed to comprehensively tune different parameters and operators of proposed model. The experimental results show that proposed models (SAFTS) is more accurate than existing models on forecasting Alabama university enrollments. At the final step, Tehran’s bourse price index (TEPIX) was used as a case study for forecasting and results indicate a good forecasting performance on this problem.