راعی, رضا, محمدی, شاپور, فندرسکی, حنظله. (1394). پیش‌بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک. مدیریت دارایی و تأمین مالی, 3(1), 55-74.
رضا راعی; شاپور محمدی; حنظله فندرسکی. "پیش‌بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک". مدیریت دارایی و تأمین مالی, 3, 1, 1394, 55-74.
راعی, رضا, محمدی, شاپور, فندرسکی, حنظله. (1394). 'پیش‌بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک', مدیریت دارایی و تأمین مالی, 3(1), pp. 55-74.
راعی, رضا, محمدی, شاپور, فندرسکی, حنظله. پیش‌بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک. مدیریت دارایی و تأمین مالی, 1394; 3(1): 55-74.
پیش‌بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک
شاخص بازار سرمایه به عنوان دماسنج اقتصادی هر کشور می‌باشد. از این رو پیش‌بینی این متغییر جهت اخذ دید کلی از وضعیت اقتصادی و اخذ استراتژی‌های سرمایه‌گذاری، یکی از مسائل مهم به شمار می‌رود. از جمله روش‌های پیش‌بینی پرکاربرد در سری‌های زمانی مالی، شبکه عصبی می‌باشد که با توجه به جامعیت این روش و عدم وجود برخی از پیش‌فرض‌ها در خصوص داده‌ها، گسترش زیادی نسبت به روش‌های آماری یافته است. اما وجود نویز در سری‌های زمانی به خصوص در سری‌های زمانی مالی و اقتصادی باعث کاهش دقت پیش‌بینی شبکه عصبی می‌گردد. یکی از روش‌های نوفه‌زدایی در سری‌های زمانی، تبدیل موجک می‌باشد. این تحقیق به مقایسه بین دقت پیش‌بینی شاخص کل بورس اوراق بهادار تهران در دو مدل شبکه عصبی با استفاده از داده‌های نوفه‌زدایی شده با تبدیل موجک و شبکه عصبی با استفاده از داده‌های اولیه از ابتدای سال 1385 تا 31 خرداد 1392 می‌پردازد. نتایج حاکی از بهبود معنادار در پیش‌بینی شبکه عصبی با استفاده از داده‌های نوفه‌زدایی شده می‌باشد.
Forecasting Stock Index with Neural Network and Wavelet Transform
نویسندگان [English]
Reza Raei؛ Shapour Mohammadi؛ Hanzaleh Fendereski
University of Tehran
چکیده [English]
 Stock index as time series are non-stationary and highly noisy due to the fact that stock markets are affected by a variety of factors. It is regarded as one of the most challenging application of time series forecasting. Predicting stock index with the noisy data directly is usually subject to large errors. In this paper we compare forecasting the stock index via Wavelet De-noising-based Neural Network (WDNN) with forecasting stock index via single neural network. The daily Tehran Stock index from April 2006 to June 2013 are used to compare the application of the WDNN in predicting the stock index. Experimental results show that de-noising with wavelet transform outperforms the single neural network.
کلیدواژه‌ها [English]
De-noising, wavelet transform, Neural network, De, noising, Threshold
مراجع
[1] انصاری، حجت اله. (1386). بررسی تأثیر استفاده از مقیاس‌های زمانی متفاوت در محاسبه ارزش در معرض ریسک (VAR) با استفاده از نظریه موجک، پایان‌نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.
[2] آذر. عادل؛ کریمی، سیروس. (1388). پیش‌بینی بازده سهام با استفاده از نسبت‌های حسابداری با رویکرد شبکه عصبی، مجله تحقیقات مالی، 28، 20-3.
[3] رحیمی، محمدرضا. (1391). پیش بینی دامنه‌ی تفییرات طلا با استفاده از مدل تلفیقی ARIMA و شبکه‌ی عصبی، پایان‌نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.
[4] شمس، شهاب الدین. (1387). بررسی زمان مقیاس مدل قیمت‌گذاری دارایی سرمایه‌ای از طریق تبدیل موجک، پایان‌نامه دکترا، دانشکده مدیریت دانشگاه تهران.
[5] عباسی‌نژاد، حسین؛ نادری، اسماعیل. (1391). تحلیل آشوب،تجزیه موجک و شبکه عصبی در پیش‌بینی شاخص بورس تهران، فصلنامه تحقیقات مدل سازی اقتصادی، 8.
[6] قدیمی، محمدرضا؛ مشیری، سعید. (1381). مدل‌سازی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی (ANN)، فصلنامه پژوهش‌های اقتصادی ایران، 12، 33-1.
[7] قنبری، علی؛ خضری، محسن؛ ترکی سمایی، رقیه. (1388). تخمین ریسک سیستماتیک در مقیاس‌های زمانی مختلف با استفاده از آنالیز موجک برای بورس اوراق بهادار تهران، فصلنامه اقتصاد مقداری، 4، -29.
[8] محمدعلی‌زاده، آرش. (1388). بررسی رابطه بین بازده سهام و تورم در بورس اوراق بهادار تهران در زمان مقیاس‌های مختلف با استفاده از تبدیل موجک، پایان‌نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.
[9] محمدی، شاپور؛ عباسی نژاد، حسین. (1384). تحلیل سیکل‌های تجاری ایران با استفاده از نظریه موجک‌ها، مجله تحقیقات اقتصادی ایران، 75، 20-1.
[10] نمازی، محمد؛ کیامهر، محمد مهدی. (1386). پیش‌بینی بازده روزانه سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی، مجله تحقیقات مالی، 44، 134-115.
[11] Brooks. Chris. (2008). Introductory Econometrics for Finance, Cambridge University Press.
[12] Cao. Qing, Leggio. B. Kary, Schniederjans. J. Marc. (2005). A Comparison between Famaand French's Model and Artificial Neural Network in Predicting the Chinese Stock Market, Computers & Operational Research, 32, 2499-2512.
[13] Donoho.D.L, Johnstone. I. M. (1995). Adapting to Unknown Smoothness by Wavelet Shrinkage, Journal of the American Statistical association, 90, 613-627.
[14] Fernandez. Viviana. (2006). The CAPM and Value at Risk at Different Time-Scales, International Review of Financial Analysis, 15, 203-219.
[15] Gency. Ramazan, Selcuk. Faruk, Witcher. Brandon. (2002). An Introdutionto Wavelet and Other Filtering Methods in Finance and Economics, Academic press.
[16] Harvery, David I. (1997). The Evalutionof Economic Forecasts, PhdThesis.
[17] Haven. Emmanuel, Liu. Xiaoquan, Shen. Liya. (2012). De-nisingOption Prices with the Wavelet Method, European Journal of Operational Research, 222.
[18] Jammazi. Rania, Aloui., Chaker. (2011). Crude Oil Price Forecasting: Experimental Evidence from Wavelet Decomposition and Neural Network Modeling, Energy Economics xxx, 1-14.
[19] Johnstone. I. M, Silverman. B. W. (1997). Wavelet Threshold Estimators for Data with Correlated Noise, Journal of the Royal Statistical Society, 95, 1-37.
[20] Kaastra. I, Boyd. M. (1996). Designing a Neural Network for Forecasting Financial Economic Time Series, Neurocomputing, 10, 215-236.
[21] Li. Xia, He. Kaijjian, Lai. King Keung, Zou. Yingchao. (2014). Forecasting Crude Oil Price with MultiscaleDenoisinf Ensemble Model, Mathematical Problems in Engineering, 1-19.
[23] Ramsey. James B, Lampart. Camille. (1998). The Decomposition of Economic Relationships by Time Scale Using Wavelet: Expenditure and income, Studies in nonlinear dynamics and econometrics, 3, 23-42.
[24] Ruey. H. (2003). Time series forecast with neural network and wavelet techniques, Submitted for the Degree of Bachelor od Engineering.
[25] S. Maia. Andre Luis, A.T.de. Carvalho. Framcisco, B. Ludermir. Teresa. (2008). Forecasting Models for Interval-Valued Time Series, Neurocomputing, 71, 3344-3352.
[26] Tan, Chong. (2009). Financial Time Series Forecasting Using Improved Wavelet Neural Network, Master's Thesis.
[27] Wong. Bo.K, Selvi. Yakup. (1998). Neural Network Application in Finance: A Review and Analysis of Literature, Information & Management, 34, 129-139.
[28] Zhang. Guoqiang, Patuwo. B. Eddy, Y. Hu. Michael. (1998). Forecasting with Artificial Neural Networks: The State of the Art, International Journal of Forecasting, 14, 35-62.
[29] Zhang. G. Peter, Qi. Min. (2005). Neural Network Forecasting for Seasonal and Trend Time Series, European Journal of Operational Research, 160, 501-514.
ابتدای صفحه