بررسی کارایی و پیش بینی پذیری کالاهای صنعتی با رویکردهای بنیادین و تکنیکال

این پژوهش با هدف بررسی پیش‌بینی پذیری قیمت سرب و به دنبال آن معرفی یک الگوی مناسب جهت پیش‌بینی قیمت سرب در بازار جهانی و نیز بررسی کارایی این بازار در سطح ضعیف صورت گرفته‌است. به این منظور مجموعه‌ای از روشهای خطی و غیرخطی در دو رویکرد کلی تکنیکال و بنیادین استفاده شده ‌است. در رویکرد بنیادین ابتدا متغیرهای اقتصادی تاثیرگذار بر قیمت سرب شناسایی شده و از روش رگرسیون گام به گام و روش‌های غیرخطی از جمله شبکه‌های عصبی gmdh و mlp برای پیش‌بینی تغییرات قیمت استفاده شده است. در رویکرد تکنیکال از روش خطی arima و روش‌های غیرخطی از جمله روش ترکیبی gmdh و الگوریتم ژنتیک، روش ترکیبی mlp و الگوریتم ژنتیک استفاده شده‌است. داده‌های مورد استفاده در این پژوهش به ‌صورت هفتگی و شامل بازه‌ی زمانی هفته اول 2005 الی هفته آخر 2015 بوده و از سایت‌های مختلف از جمله سایت lme،  usgs و ilzsg جمع‌آوری شده‌است. یافته‌های این پژوهش نشان می‌دهد که در رویکرد تکنیکال، مدل شبکه عصبی مصنوعی gmdh ترکیب‌شده با الگوریتم ژنتیک بر اساس معیارهای میانگین درصد خطای مطلق (mape) و جذر میانگین مجذور خطا (rmse) دارای عملکرد بهتری نسبت به مدل‌های دیگر بوده و در رویکرد بنیادین براساس معیارهای خطای پیش‌بینی، شبکه عصبی مصنوعی gmdh بهترین عملکرد را داشته است. پیش‌بینی پذیری تغییرات قیمت سرب در بازار با الگوهای تکنیکال، موید عدم کارایی بازار در سطح ضعیف ‌می‌باشد.