پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی

پیش‌بینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیش‌بینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل armaegarch و شبکه عصبی مصنوعی برای پیش بینی یک دوره ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل armaegarch برای پیش بینی سری های جزئی و شبکه عصبی مصنوعی برای پیش بینی سری تقریبی بکار گرفته می شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می شوند. ارزیابی مدل پیشنهادی برای پیش بینی قیمت در بازار ایران و آمریکا با مدل های شبکه عصبی مصنوعی، arimaegarch و arimaann نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل ها برای پیش بینی قیمت سهام در بازار ایران و آمریکا دارد.

Day-ahead stock price forecasting using hybrid model

Forecasting financial markets is an important issue in finance area and research studies. Importance of forecasting on one hand and its complexity, on the other hand, researchers have done much work in this area and proposed many methods. In this research, we propose a hybrid model include wavelet transform, ARMAEGARCH and NN for dayahead forecasting of stock market price in different markets. At first WT is used to decompose and reconstruct time series into detailed and approximated parts. And then we used ARMAEGARCH and NN models respectively for forecasting details and approximate series. In this model we used technical index by approximate part to the improvement of our NN model. Finally, we combine prediction of each model together. For validation, proposed model compare with ANN, ARIMAGARCH and ARIMAANN models for forecasting stocks price in UA and Iran markets. Our results indicate that proposed model has better performance than others model in both markets.