طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت)

این پژوهش به معرفی ‌مدل‌هایی از ترکیب خانواده garch و شبکه عصبی مصنوعی، جهت پیش‌بینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 می‌پردازد. وجود ویژگی ‌حافظه ‌بلندمدت‌ در واریانس ‌شرطی بازدهی شاخص کل بورس موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌های ‌دارای ‌حافظه ‌کوتاه‌مدت garch و egarch در این ‌پژوهش از مدل‌های figarch و fiegarch که دارای ویژگی حافظه بلندمدت هستند؛ استفاده ‌گردد. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی بهتر مدل‌های ترکیبی (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده garch (اعم از کوتاه‌مدت و بلندمدت) با شبکه عصبی مصنوعی ترکیب و با استفاده از مدل‌های ترکیبی حاصل‌شده، بازده شاخص بورس برای 10 روز آینده به‌صورت گام‌به‌گام پیش‌بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته‌های تحقیق نشان داد که مدل‌ ترکیبی fiegarch شبکه عصبی با توزیع تی استیودنت در پیش‌بینی بازده شاخص کل سهام کارآمدتر و دارای خطای پیش‌بینی ‌کمتری نسبت به سایر مدل‌های رقیب است.

Designing a model for forecasting the return of the stock index (with emphasis on neural network combined models and long-term memory models)

This study presents the new hybrid network of GARCH family and an artificial neural network to predict the Tehran Stock Exchange index during the period of 20082017. The existence of longterm memory in the conditional variance of the Tehran stock returns causes use in addition GARCH and EGARCH models with short memory, longterm memory models. In addition to longterm memory models, considering the better performance of hybrid models in predicting financial data of the Garch family models (short and longterm) are combined with the artificial neural network. Using hybrid models the return of stock index was forecast for the next 10 days and its accuracy was evaluated using the evaluation criteria. The results showed that the hybrid FIEGARCH with the studentt distribution model was more efficient in forecasting return of stock and had a lower forecast error than others models