Forecasting Stock Index with Neural Network and Wavelet Transform

Document Type : Research Paper

Authors

University of Tehran

Abstract

  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.

Keywords

Main Subjects

References

[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.
[22]            Misiti, Michel. Misiti, Yves. Oppenheim, Georges. Poggi, Jean-Michel. (2009). Wavelet Toolbox 4, User's Guide. Mathworks.
[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.
 
 
 
 
 
 
 

Files

Share

How to cite

Statistics