مطالعه‌ای بر رفتار داده‌های بازده شاخص بورس تهران و ارائه روش پیش‌بینی تغییر رژیم مبتنی بر شبکه‌های عصبی عمیق

در‌این پژوهش با نگاهی آماری بر داده‌های بورس تهران اقدام به شناسایی رفتار و فرآیند تولید داده‌های بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون‌های متعدد، با شناسایی رفتار آماری‌این داده‌ها و اظهارنظر راجع به کارایی‌این بازار، اقدام به توسعه مدلی نوین برای پیش‌بینی  آن شده است. لازم به ذکر است که ساختار مدل ارائه شده مطابق با رفتار آماری‌این داده‌ها تدوین شده است. مدل ارائه‌شده متشکل از دو شبکه عصبی مصنوعی احتمال ترکیبی و حافظه کوتاه‌مدت و بلندمدت ماندگار می‌باشد که با در نظر گرفتن تعداد رژیم‌های رفتاری متفاوت، حرکات روزانه بازده شاخص بورس تهران را در بازه زمانی آذر 1387 تا فروردین 1400 توضیح می‌دهد. آزمون‌های متفاوت کارایی ضعیف بازار را رد کرده و ذات آشوبی را در رفتار بازده شاخص کل بورس تهران نشان می‌دهد. مدل ارائه‌شده در‌این پژوهش توانسته است دقت بهتری نسبت به مدل بدون در نظر گرفتن رژیم کسب بنماید. آزمون دیابولد ماریانو معنی‌دار بودن‌این تفاوت دقت مدل‌ها را تائید کرده و آزمون معکوس با در نظر گرفتن هزینه معاملاتی نشان داده است که استراتژی‌این مدل با در نظر گرفتن چند رژیم، بازده بالاتری نسبت به مدل بدون رژیم و شاخص بازار کسب می‌کند.

A study on the characteristics of TSE index return data and introducing a regime switching prediction method based on neural networks

This research has aimed at studying the characteristics and data generation process of TSE index daily return. Applying various tests showed that return data of TSE index follows a chaotic and clustered behavior. Furthermore, beside the condition of efficiency in this market, a novel prediction method is developed. The method introduced in this paper is formed from two consecutive neural networks; a mixture density neural network and a Long shortterm memory neural network. It is worthy of note that the proposed method is associated with the inferred statistical structure from the data.  The entire model is compiled in order to predict TSE index considering various number of regimes using daily data December 2008 up to April 2021. Results from various statistical tests rejected the weak form of efficiency and manifested a chaotic behavior in TSE index return. Furthermore, the developed prediction method gained higher accuracy than the same method without considering regimes. Results from DieboldMariano test significantly implied the differences of the accuracy between the models with regimes and without regimes. Finally, a back test by considering transaction cost showed that the strategy based on the predicted direction of the model with regimes gains higher return than market benchmark and the model without regimes.