مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از تر کیب شبکه عصبی و الگوهای واریانس شرطی

پیش‌بینی نوسان یکی از مسایل بسیار مهم در بازارهای مالی است که توجه بسیاری از پژوهشگران دانشگاهی و کارشناسان این حوزه را در چند دهه ی گذشته به خود جلب کرده است. در پژوهش حاضر با توجه به این ضرورت، به بررسی مدلسازی و پیش بینی نوسان بازار سهام با استفاده از ترکیب‌ شبکه‌ های عصبی مصنوعی و الگوهای واریانس شرطی پرداخته می‌شود.در این تحقیق از شبکه های عصبی پرسپترون چند لایه (mlp ) ، مدل‌های ناهمسانی واریانس شرطی (arch) و الگوی خود رگرسیو واریانس شرطی garch (p,q)استفاده شده است . جامعه آماری تحقیق ، شاخص بورس تهران برای دوره زمانی فروردین سال 1387 تا فروردین سال 1397 می باشد . تحقیق به دنبال رد یا تایید این فرضیه است که استفاده ازالگوی ترکیب شبکه عصبی مصنوعی و مدل‌های واریانس شرطی دقت پیش بینی نوسان بازار سهام در بورس اوراق بهادار تهران را نسبت به الگوی وریانس شرطی افزایش می‌دهد . نتایج بدست آمده ، صحت فرضیه فوق را تایید می نماید .

Modeling and predicting stock market volatility using neural network and conditional variance patterns

abstractModeling and predicting stock market volatility using neural network and conditional variance patternsThe fluctuation forecast is one of the most important issues in the financial markets, which attracted the attention of many academic researchers and experts in the field over the past few decades. In this study, considering this necessity, we examine the modeling and prediction of stock market volatility using the combination of artificial neural networks and conditional variance patterns.In this research, multilayer perceptron nerve networks (MLP), conditional variance heterogeneity models (ARCH) and selfregression model and conditional variance (GARCH) (P, Q) have been used. The statistical population of the study is the Tehran Stock Exchange index for the period of April 2008 to April 2018 . The research seeks to reject or confirm the hypothesis that the use of an artificial neural network and conditional variance models increases the accuracy of the forecast of stock market fluctuations in the Tehran Stock Exchange relative to the conditional variance model . The results, confirm the validity of the above hypothesis.