پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,766 |
| تعداد مشاهده مقاله | 115,220,872 |
| تعداد دریافت فایل اصل مقاله | 89,967,787 |
ارائۀ روش هیبریدی نوین برای پیشبینی شاخص کل قیمت بورس اوراق بهادار | ||
| تحقیقات مالی | ||
| مقاله 2، دوره 18، شماره 4، اسفند 1395، صفحه 613-632 اصل مقاله (783.32 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2017.62582 | ||
| نویسندگان | ||
| دیاکو درودی* 1؛ سید بابک ابراهیمی2 | ||
| 1دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران، ایران | ||
| 2استادیار گروه مهندسی مالی، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران، ایران | ||
| چکیده | ||
| روند تغییرات شاخص کل قیمت سهام، همواره بهعنوان یکی از ملاک‌های سرمایهگذاری مدنظر قرار می‌گیرد. به دلیل وجود دو مؤلفه‌ای غیرخطی و متلاطم سری زمانی شاخص قیمت، در این پژوهش سعی شده مدل هیبریدی نوینی ارائه شود که بتواند روند حرکتی و تغییرات شاخص را با بیشترین دقت پیشبینی کند. در این مدل ابتدا با استفاده از تبدیل موجک، سری زمانی شاخص به شش سری زمانی مجزایی که ویژگی‌های غیرخطی و متلاطم شاخص مدنظر را نمایندگی می‌کند، تفکیک میشود. در ادامه، سری‌های زمانی استخراج‌شده با رفتار غیرخطی، با استفاده از ترکیب مدل ماشین بردار پشتیبان و بهینه‌سازی ازدحام ذرات و سری‌های زمانی مبتنی بر رفتار متلاطم شاخص کل با بهره‌گیری از مدل GJR پیشبینی میشوند؛ سپس با جمع نتایج بهدستآمده از پیشبینی دو مؤلفه‌ای غیرخطی و متلاطم شاخص قیمت، سری زمانی شاخص کل قیمت برآورد میشود. نتایج بهدست آمده نشان میدهد مدل هیبریدی ارائه‌شدۀ این پژوهش در مقایسه با سایر روش‌های پیشبینی، خطای کمتری داشته و از دقت بیشتری برخوردار است. | ||
| کلیدواژه‌ها | ||
| : بهینه‌سازی ازدحام ذرات؛ تبدیل موجک؛ ماشین بردار پشتیبان؛ مدل GJR | ||
| عنوان مقاله [English] | ||
| Presenting a new hybrid method for predicting the Stock Exchange price inde | ||
| نویسندگان [English] | ||
| Diako Dorodi1؛ Seyed Babak Abrahimi2 | ||
| 1MSc. Student, of Industrial Engineering, K.N. Toosi University of Technology, Tehran, Iran | ||
| 2Assistant Prof. of Financial Angineering, K.N. Toosi University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| The trend of the stock price index, has taken as one of the investment criteria consistently. Because of the two components of nonlinear and time series price index volatility, in this study, a new hybrid model presented that can predict move and change of these two components of the trend of the index with the highest accuracy. In this model, at the first by using wavelet transform the index time series splits into six separate time series index which represent the characteristics of nonlinear and volatility of index. Then the derived time series with nonlinear behavior by combining the support vector machine and particle swarm optimization (SVM-PSO) and time series behavior based on index volatility by using GJR models predicted and then by accumulating results of two nonlinear and volatility of price index prediction component, price index time series estimates. The results show that the proposed hybrid model, in comparison to other forecasting methods, has fewer errors and higher accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Wavelet transform, Support vector Machine, Particle Swarm Optimization, GJR model | ||
| مراجع | ||
|
Abe, S. (2005). Support vector machines for pattern classification (Vol. 53). London: Springer.
Debnath, L. & Shah, F. A. (2002).Wavelet transforms and their applications. Boston: Birkhäuser.
Dmory, D., Farid, D., Ashhr, M. (2011). Forecasting Tehran Stock Exchange index using Swarm comparison with the traditional patterns .Journal of Accounting, 2 (5), 7-30. (in Persian)
Duan, J., Gauthier, G., Simonato, J. & Sasseville, C. (2006). Approximating the GJR-GARCH and EGARCH option pricing models analytically. Journal of Computational Finance, 9(3), 41.
Engle, R. F. & Patton, A. J. (2001). What good is a volatility model? Quantitative Finance, 1 (2), 237-245.
Fallahpour, R., Golarzi, Gh. & Fatourechian, N. (2014). Predicting the trend of stock prices using support vector machine based on genetic algorithms in Tehran Stock Exchange. Scientific-Research Journal of Finance, 15 (2), 269-288. (in Persian) Fallahpour, S., Alipur Reykandeh, C. (2014). Predicting the stock index using wavelet neural networks in the Tehran Stock Exchange. Financial management strategy, 2 (4), 15-31. (in Persian)
Jothimani, D., Shankar, R. & Yadav, S.S. (2016). A Comparative Study of Ensemble-based Forecasting Models for Stock Index Prediction. MWAIS 2016 Proceedings. Paper 5
Khosravinezhad, A., Shabani, M. (2014). Evaluation of linear and nonlinear models to predict stock price index at Tehran Stock Exchange. Journal of Economic Sciences, 38(8), 51-64. (in Persian)
Moshabaki, A. & Kordnaeij, A. (2013). Predicting Tehran’s Stock Market Index With Adaptive Nework-Based Fuzzy Inference System (ANFIS). Asset Management & Financing, 1(1), 27-44. (in Persian)
Nassirtoussi, A. K., Aghabozorgi, S., Wah, T. Y. & Ngo, D. C. L. (2015). Text mining of news-headlines for FOREX market prediction: A Multi-layer Dimension Reduction Algorithm with semantics and sentiment. Expert Systems with Applications, 42(1), 306-324.
Pakdin Amiri, M., Pakdin Amiri, M. & Pakdin Amiri, A. (2009). Prioritize financial factors affecting the price index at Tehran Stock Exchange using TOPSIS. Financial Research, 10(26), 61-71. (in Persian)
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015).Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
Saeedi, H. & Mohammedi, S. (2012). Prediction market return volatility using GARCH-ANN hybrid models. Journal of Stock Exchange, 4 (16), 153-174. (in Persian) Shi, Y. (2004). Particle swarm optimization. IEEE Connections, 2(1), 8-13.
Smola, A. J. & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222.
Sun, B., Guo, H., Karimi, H. R., Ge, Y. & Xiong, S. (2015). Prediction of stock index futures prices based on fuzzy sets and multivariate fuzzy time series. Neurocomputing, 151, 1528-1536.
Tehrani, R., Namaki, A., Hedayatifar, L. (2013). Cross-correlation indexes Tehran Stock Exchange using the multifractal analysis of correlations without trend (MF-DXA). Financial Research, 14(1), 55-61. (in Persian)
Tian, G. A. O. (2015). Research on Stock Price Prediction Based on Optimal Wavelet Packet Transformation and ARIMA-SVR Mixed Model. Journal of Guizhou University of Finance and Economics, 6(6), 57-69.
Wang, J. Z., Wang, J. J., Zhang, Z. G., & Guo, S. P. (2011). Stock index forecasting based on a hybrid model. Omega, 40(6), 758-766.
Wang, J. J., Wang, J. Z., Zhang, Z. G., & Guo, S. P. (2012). Stock index forecasting based on a hybrid model. Omega, 40(6), 758-766.
Yegani, D. R., Chini Pardaz, R. (2011). Predicting the price index of Tehran Stock Exchange using a combination of Experts. Quantitative Economics, 8 (3), 53-73. (in Persian) | ||
|
آمار تعداد مشاهده مقاله: 1,545 تعداد دریافت فایل اصل مقاله: 1,865 |
||