مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران

این مقاله با هدف معرفی یک الگوی مناسب جهت پیشبینی شاخص بازدهی بورس اوراق بهادار تهرانصورت پذیرفته است. دادههای مورد استفاده در این پژوهش به صورت روزانه و شامل بازهی زمانی پنجمفروردین 1388 تا سیام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیشبینیهای داخلنمونهای و خارج از نمونه ا ی ، از ت ق ر ی با 90 % از مشاهدات ( 556 مشاهده) جهت تخمین ضرایب مدل و از مابقی60 مشاهده) جهت انجام پیشبینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این )پژوهش عبارتند از؛ یک مدل غ ی ر خ طی ش ب که ی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی) 1 و نیز یکمدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشتهی کسری) 2. یافتههای این پژوهشنشان میدهد که مدل شبکهی عصبی مصنوعی پویا در پیشبینیهای خارج از نمونه، بر اساس معیارهای،4(rmse) 3 و نیز معیار جذر میانگین مجذور خطا (mse) محاسبهی خطای پیشبینی میانگین مجذور خطامیباشند. arfima دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی واژه های کلیدی: پیش بینی، بازار بورس، مدلnnar، مدل arfima