طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدل‌های ترکیبی شبکه یادگیری عمیق و مدل‌های خانواده garch)

در سال‌های اخیر، توسعه‌ی پردازنده‌های کامپیوتری موجب معرفی الگوریتم‌های جدیدی برای پیش‌بینی دادههای مالی شده است که یکی از این الگوریتم‌ها، یادگیری ماشین (machine learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی‌ از شبکه یادگیری عمیق (deep learning) و مدل‌های منتخب خانواده garch جهت پیش‌بینی کوتاه‌مدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته می‌شود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدل‌های معین، می‌تواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدل‌های شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه‌مدت و بلندمدت (rnnlstm) انتخاب و از مدل‌های دارای حافظه‌کوتاه مدت garch و egarch در ساختار آن استفاده می‌شود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیش‌بینی دقیقتر داده‌های مالی می‌کند. نتایج تحقیق نشان می‌دهد که مدلهای ترکیبی دقت پیش‌بینی بالاتری نسبت به مدل‌های تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی rmse و mape، مدل rnnlstmegarch برپایه توزیع ged دارای خطای پیش‌بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش‌بینی دیبولدماریانو (dm) نیز یافته‌های فوق را تایید میکند.

Designing a Model for Forecasting the Stock Exchange Total Index Returns (Emphasizing on Combined Deep Learning Network Models and GARCH Family Models)

Given the development of machine learning models in predicting financial data in recent years, this study introduces a combination of Deep Learning Network and selected GARCH family models to predict shortterm daily returns of the Tehran Stock Exchange Index. The most important feature of the deep learning network is that it can adapt and adjust itself to the volatility of market variables without being limited to specific models. In this study, shortterm and longterm memory based neural network (RNNLSTM) models are used for deep learning network models and GARCH and EGARCH models are used in its structure. Also, the two independent variables of oil price and dollar rate in the structure of the hybrid model help to predict the financial data more accurately. Comparison of the results of hybrid model prediction error with individual models shows that the RNNLSTMEGARCH hybrid model has higher prediction accuracy than competing models. competing models.