پیش‌بینی شاخص بورس اوراق بهادار به کمک گراف پدیداری

پویایی بازار و رفتار تصادفی سری زمانی شاخص در دنیا باعث شده پیش‌بینی روند آن از دغدغه اصلی پژوهشگران و سرمایه‌گذاران بازار سرمایه شود و لذا از مدل‌های مختلف برای پیش‌بینی استفاده گردد . روش‌های تحلیل سری‌های زمانی مبتنی بر شبکه و پیش‌بینی از جمله مدل گراف پدیداری نشان می‌دهد که این روش‌‌ها برای تحلیل سری‌های زمانی موثر است. در این پژوهش سعی بر این داشته‌ایم که به کمک سه روش گراف پدیداری به پیش‌بینی شاخص‌ tedpix در سال‌های 1392 تا 1403 بپردازیم. این روش‌ها شامل متشابه‌ترین گره، مدل گره‌های متشابه وزن‌دار، و مدل ابداعی پژوهش مدل گراف پدیداری متقاطع می‌باشند.در این راستا سری زمانی شاخص و چند متغیر کمکی را به گراف پدیداری تبدیل کرده و به کمک سه مدل‌ به پیش‌بینی سری‌های زمانی فوق‌الذکر پرداختیم. نتایج نشان داد که عملکرد مدل گره‌های متشابه وزن‌دار و مدل مشابه‌ترین گره بسته به شرایط مختلف گاهی بهتر از دیگری بوده است. با این حال، مدل ابداعی ما، یعنی مدل گراف پدیداری متقاطع و مدل گره‌های متشابه وزن‌دار ، به‌طور کلی در پیش‌بینی شاخص بهترین نتایج را به دست آورده.

prediction of the stock market index with the help of visibility graph

the dynamics of the market and the stochastic behavior of index time series worldwide have made forecasting trends a primary concern for researchers and investors in the capital market. therefore, various models are used for forecasting. time series analysis and prediction methods based on networks, including the visibility graph model, have proven effective for time series analysis. in this research, we aimed to predict the tedpix index for the years 2013-2024 using three visibility graph-based methods. these methods include the most similar node model, the weighted similar node model, and our proposed method, the cross-visibility graph model. we converted the time series of the index and some auxiliary variables into a visibility graph and predicted the aforementioned time series using these three models. the results showed that the performance of the weighted similar node model and the most similar node model varied depending on different conditions. however, our proposed model, the cross-visibility graph model, and the weighted similar node model generally provided the best results in predicting the index and were more accurate compared to other models.