کاربرد روش پنجره لغزان برای انتخاب ساختار شبکه عصبی با تاخیر زمانی در پیش‌بینی سری‌های زمانی مالی

شبکه عصبی با تاخیر زمانی، یک ابزار مدل‌سازی برگرفته از محاسبات هوشمند است که در کنار روش‌های کلاسیک برای پیش‌بینی سری‌های زمانی مالی بکار گرفته می‌شود. این مدل اغلب در مواردی که از سری ‌زمانی داده‌های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می‌شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش‌بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش‌بینی‌کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده‌های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش‌بینی‌کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می‌دهد با روش پیشنهادی، می‌توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می‌یابد.  

Application of Sliding Window for Financial Time Series Prediction using Time-Delay Neural Networks

This paper proposes application of sliding window technique to timedelay neural network (TDNN) for prediction of financial time series. Neural network is a datadriven approach, in which we have huge data sles but limited information about the model structure. In this paper, we measure performance of the prediction and apply sliding window technique to select the most favorable neural network structure, timedelay taps and the most desirable training data size that result in the best prediction performance. The method was evaluated by using real data of share price of four firms traded in London Stock Exchange. The results show remarkable decrease for the root mean squared error, mean absolute percentage error and the linear regression of TDNN output offset. JEL Classification:C6, C8.Keywords: Time Series Prediction, TimeDelay Neural Networks, Sliding Window, Prediction Errors