ارائه یک مدل ترکیبی بهبود‌یافته با انتخاب وقفه‌های خودکار برای پیش‎بینی بازار سهام

هدف: به‎طور کلی سری‌های زمانی مالی مانند شاخص سهام، رفتار غیر‌خطی، بی‌ثبات و نویزی دارند. مدل‌های ساختاری و آماری و مدل‌های مبتنی بر یادگیری ماشین، اغلب توانایی پیش‌بینی دقیق سری‌هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره‌مندی از مزایای روش گروهی مدل‎سازی داده‌ها (gmdh) و الگوریتم ژنتیک با مرتب‌سازی نامغلوب (nsga ii) برای پیش‌بینی دقیق‎تر روند حرکت و تغییرات شاخص کل بورس اوراق ‌بهادار تهران و مقایسه توانایی آن با مدل arima بر اساس معیارهای سنجش خطا شامل rmse، mape و tic است.روش: برای دستیابی به هدف پژوهش، از داده‌های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (tedpix) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی nsga iigmdh، شبکه gmdh را به‎عنوان مدلی مقاوم در برابر داده‌های نویزی و نامانا برای پیش‌بینی به‎کار ‌می‎گیرد و از الگوریتم بهینه‌سازی چند‌هدفه nsga ii برای کمینه‌سازی خطای پیش‌بینی و انتخاب متغیرهای ورودی بهینه استفاده می‌کند.یافته‎ها: نتایج به‎دست آمده از مدل ترکیبی ارائه‌شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیان‎کننده خطای کمتر و دقت پیش‎بینی بیشتر آن در مقایسه با مدل arima برای داده‌های خارج از نمونه است.  نتیجه‎گیری: با توجه به یافته‎های تجربی می‌توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف‌پذیری و توانایی بیشتری برخوردار است.

An Improved Hybrid Model with Automated Lag Selection to Forecast Stock Market

Objective: In general, financial time series such as stock indexes have nonlinear, mutable and noisy behavior. Structural and statistical models and machine learningbased models are often unable to accurately predict series with such a behavior. Accordingly, the aim of the present study is to present a new hybrid model using the advantages of the GMDH method and Nondominated Sorting Genetic Algorithm II (NSGA II) to, more accurately, predict the trend of movement and volatility of Tehran Stock Exchange Price Index, and to compare its ability with the ARIMA model based on RMSE, MAPE, and TIC error assessment criterions.Methods: For this purpose, the data of Tehran Stock Exchange Dividend and Price Index (TEDPIX) was used during the period of October 2008 to September 2013. The hybrid model NSGA II GMDH utilizes the GMDH network as a model resistant to nonstationary and noisy data for prediction and uses the NSGA II multiobjective optimization algorithm to minimize predictive error and select the optimal input variables.Results: The results of the proposed hybrid model in this study indicated a lower error and more prediction accuracy compared to ARIMA model for outofsample data based on all three error criterions.Conclusion: The empirical findings of the study showed that the proposed model has higher flexibility and capability in covering unstable changes in the total index movement trend.