مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

2,015
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

853
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH

صفحات

 صفحه شروع 45 | صفحه پایان 62

چکیده

 اقتصاد هر کشور از بخش های مختلفی تشکیل شده که روابط بین این بخش ها, سمت و سوی اقتصاد آن کشور را مشخص می کند. در این میان بازار سرمایه در کنار بازار پول, به عنوان اجزای تشکیل دهنده بازارهای مالی بوده و در واقع, شریان های اصلی یک اقتصاد محسوب می شوند, که مسائلی نظیر رشد و توسعه اقتصادی منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود نداشته باشد, احتمال بروز اختلالات و نقصان هایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن اصلی بازار مالی نقش مهمی را در تسهیل سرمایه گذاری های شکل گرفته در بازار سرمایه ایفا می کند. هدف اصلی این پژوهش پیش بینی شاخص قیمت سهام بورس تهران است. بدین روی, ضمن مرور اجمالی بر شناخته شده ترین نظریه های اقتصادی, به ارائه روش جدیدتری نسبت به روش های دیگر رایج پیش بینی در گذشته پرداخته و با استفاده از مدل شبکه عصبی GMDH, اثر متغیرهای کلان اقتصادی (شامل نرخ ارز, نرخ تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش بینی میکنیم. الگوریتم GMDH قابلیت استفاده در موضوع های متنوعی مانند کشف روابط, پیش بینی, مدل سازی سیستم ها, بهینه سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی, قابلیت شناسایی و غربال کردن متغیرهای کم اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه سازی در دوره آزمون است. بدین ترتیب, می توان با انجام یک فرآیند قیاسی, در چند مرحله تکرار, متغیرهای کم اثرتر را حذف نمود و در نهایت, مدل بهینه برای پیش بینی را بر اساس معیارهای رایج خطا نظیر RMSE و MAPE به دست آورد. افزون بر این, این الگوریتم قادر به شناسایی و رتبه بندی تاثیرگذارترین متغیرها نیز می باشد. نتایج به دست آمده حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم GMDH در پیش بینی شاخص قیمت سهام بورس تهران است, به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده-های سالانه 0.37 درصد, ماهانه 0.35 درصد و برای فصلی 2.04 درصد است. همچنین, نتایج نشان می دهد که در بهترین مدل غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی GMDH متغیرهای نرخ ارز, نرخ تورم و تولید ناخالص داخلی همگی جزء متغیرهای موثر بوده و هیچکدام از مدل حذف نشدند.

استنادها

  • ثبت نشده است.
  • ارجاعات

    استناددهی

    APA: کپی

    فرمان آرا، امید، و فرمان آرا، وحید. (1389). پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH. اقتصاد مالی (اقتصاد مالی و توسعه)، 4(12)، 45-62. SID. https://sid.ir/paper/229171/fa

    Vancouver: کپی

    فرمان آرا امید، فرمان آرا وحید. پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH. اقتصاد مالی (اقتصاد مالی و توسعه)[Internet]. 1389؛4(12):45-62. Available from: https://sid.ir/paper/229171/fa

    IEEE: کپی

    امید فرمان آرا، و وحید فرمان آرا، “پیش بینی اثر متغیرهای کلان بر شاخص قیمت سهام با استفاده از شبکه عصبی GMDH،” اقتصاد مالی (اقتصاد مالی و توسعه)، vol. 4، no. 12، pp. 45–62، 1389، [Online]. Available: https://sid.ir/paper/229171/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button