پیش بینی سقوط بازار سهام با استفاده از شبکه های عصبی نگاشت خود سازمان ده

سقوط بازار پدیده­ای است که سبب از دست رفتن ثروت و دارایی سرمایه‎گذاران در بازۀ زمانی نسبتاً کوتاهی می شود، از این رو تلاش برای پیش بینی آن از اهمیت زیادی برای سرمایه گذاران، سیاست‎گذاران، نهادهای مالی و دولت برخوردار است. بررسی اجمالی تئوری ها و مدل‎های ارائه‎شدۀ پیش بینی سقوط در بازار سهام نشان می دهد میان پژوهشگران دربارۀ الگوهای مشاهده‎ شدۀ متغیرها، مانند حجم معامله، بازده‎ها، نوسان‎پذیری، عوامل بنیادی، شاخص های رفتاری و غیره در بازارهای سهام پیش از وقوع سقوط، اتفاق نظری وجود ندارد. یکی از روش‎های بسیار مناسب پیشنهادشده برای یافتن الگوهایی که در داده­های شبکه­های عصبی وجود دارد، نگاشت خودسازمان‎ده است که روشی ناپارامتریک و غیرخطی محسوب می‎شود. در این پژوهش با استفاده از شبکه های عصبی نگاشت خوسازمان‎ده، روشی برای پیش‎بینی سقوط در بازار سهام ایران ارائه شده است. نتایج اجرای مدل و پیش‎بینی برون‎نمونه‎ای حاکی از این است که مدل عملکرد به‎نسبت قابل قبولی را در پیش‎بینی دوره های پیش از سقوط در بازار سهام به‎دست آورده است.

Prediction of stock market crash using self-organizing maps

Market crash is a phenomenon which occurs in stock markets occasionally and leads to loss of the investors’ wealth and assets in a relatively short period of time. Therefore, attempts for prediction of this phenomenon are of much importance for the investors, financial institutions and government. To this date, numerous and varied studies have been carried out for predicting and modeling  stock markets and their crash. Each of these studies has tried to fulfill this important task more precisely from a different point of view. A brief review of the theories and models presented for prediction of stock market crash indicates that there is no agreement among the researchers in relation to the observed patterns of variables such as trading volume, returns, volatility, fundamental factors, behavioral indicators, etc. in the stock markets in the precrash period. One of the very suitable methods proposed for finding the existing patterns in the data is the selforganizing map neural networks method which is considered as a nonparametric and nonlinear method. In this study, a method is proposed for prediction of the crash in the Iranian stock market using the selforganizing map neural networks. The results of implementation of the model and outofsle prediction indicate that the model has a relatively acceptable performance in prediction of the precrash periods in the stock market.