نویسندگان

1 دانشجوی دکترای اقتصاد مالی، دانشگاه علامه طباطبائی

2 دانشیار دانشکده اقتصاد دانشگاه علامه طباطبائی

چکیده

همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد و ازاین‌رو، این عمل باعث کاهش خطا و بهبود در پیش­بینی سری زمانی آشوبی موردنظر می‌شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه‌ زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان‌کننده برتری روش پیشنهادی نسبت به سایر روش­هاست. همچنین معنا­داری اختلاف در پیش­بینی مدل­های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان‌دهنده اختلاف معنا­دار در پیش­بینی مدل­های مختلف بود.

کلیدواژه‌ها

آرمن، سیدعزیز و علی رئوفی (1393)، ارزیابی پیش­بینی­پذیری قیمت طلا و مقایسه پیش­بینی روش­های خطی و غیرخطی، نظریه­های کاربردی اقتصاد، شماره 3، صص 24-1.
رضایی، وحید (1390)، بررسی رفتار آشوبناک در سری زمانی قیمت طلا، پایان­نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، دانشکده اقتصاد و علوم اجتماعی.
رئوفی، علی (1392)، شناسایی سیستم مولد داده­های شاخص بورس اوراق بهادار تهران، مدل‌سازی و پیش­بینی آن با استفاده از محاسبات نرم، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد و علوم اجتماعی دانشگاه شهید چمران اهواز.
زراءنژاد، منصور و علی رئوفی (1394)، ارزیابی و مقایسه عملکرد پیش‌بینی روش‌های خطی و غیرخطی برای بازده روزانه بورس اوراق بهادار تهران، دو فصلنامه اقتصاد پولی - مالی، شماره 9، صص 29- 1.
زراءنژاد، منصور، پویان کیانی، صلاح ابراهیمی و علی رئوفی (1391)، پیش­بینی قیمت نفت خام اوپک با استفاده از مدل میانگین متحرک خودرگرسیون انباشته فازی، پژوهشنامه اقتصاد انرژی ایران، شماره 5، صص 127- 107.
صادقی، حسین و مهدی ذوالفقاری (1389)، پیش­بینی کوتاه­مدت تقاضای برق کشور با استفاده از شبکه­های عصبی و تبدیل موجک، فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)، دوره 7، شماره 2، صص 56-27.
عباسی­نژاد، حسین و شاپور محمدی (1384)، تحلیل سیکل­های تجاری با استفاده از نظریه موجک­ها، مجله تحقیقات اقتصادی، شماره 75، صص 20-1.
کیانی بجستانی، آرمان، یاسر محمدیان روشن، ناصر پریز و محمدرضا اکبرزاده توتونچی (1385)، پیش­بینی سری­های زمانی آشوب‌گرا مبتنی‌بر ترکیب تبدیل موجک و شبکه­های تطبیقی عصبی -  فازی، چهاردهمین کنفرانس بین­المللی مهندسی برق.
محمدی، تیمور، عاطفه تکلیف و ساحل زمانی (1396)، پیش‌بینی قیمت گاز طبیعی با استفاده از ترکیب تبدیل موجک و شبکه عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران، شماره 71،  صص 26- 1.
مشیری، سعید، کامران پاکیزه، منوچهر دبیریان و ابوالفضل جعفری (1389)، بررسی رابطه میان بازدهی سهام و تورم با استفاده از تجزیه موجک در بورس اوراق بهادار تهران، فصلنامه پژوهش‌های اقتصادی ایران، شماره 42، صص74-55.
نادری، اسماعیل (1391)، تحلیل آشوب و بررسی عملکرد مدل­های خطی و غیرخطی سری زمانی در پیش­بینی شاخص بازدهی بورس تهران، پایان­نامه کارشناسی ارشد، دانشگاه تهران، دانشکده اقتصاد.
Abbasi, E., & Abouec, A. (2008). Stock price forecast by using neuro-fuzzy inference system. In Proceedings of World Academy of Science, Engineering and Technology, 36, 320-323.
Burrus, C. S., Gopinath, R. A., Guo, H., Odegard, J. E., & Selesnick, I. W. (1998). Introduction to wavelets and wavelet transforms: a primer (Vol. 1). New Jersey: Prentice hall.
Diebold, F. X., & Mariano, R. S. (2002). Comparing predictive accuracy. Journal of Business & economic statistics, 20(1), 134-144 .
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.
Karim, S. A. A., Karim, B. A., Ismail, M. T., Hasan, M. K., & Sulaiman, J. (2011). Applications of wavelet method in stock exchange problem. Journal of Applied Sciences, 11(8), 1331-1335.
Cao, Q., Leggio, K. B., & Schniederjans, M. J. (2005). A comparison between Fama and French's model and artificial neural networks in predicting the Chinese stock market. Computers & Operations Research, 32(10), 2499-2512.
Lineesh, M. C., & John, C. J. (2010). Analysis of non-stationary time series using wavelet decomposition. Nature and Science, 8(1), 53-59.
Raoofi, A. (2014). Identifying data generator process of Tehran stock exchange, modeling and forecasting using soft computing. Master's Thesis, Faculty of Economics and social Science, Shahid Chamran University. (in Persian).
Raoofi, A., Zarranezhad, M., Bayani, O. (2015). Assessment and Comparison of linear and non- linear Methods for Forecasting Returns on Stock Market Index, International Journal of Scientific Management and Development, 3 (10), PP. 1-9.
Raoofi, A., Montazer-Hojjat, A. H., & Kiani, P. (2016). Comparison of several combined methods for forecasting Tehran stock exchange index. International Journal of Business Forecasting and Marketing Intelligence, 2(4), 315-333.
Srinivasan, K., & Fisher, D. (1995). Machine learning approaches to estimating software development effort. IEEE Transactions on Software Engineering, 21(2), 126-137.
Tan, C., & Pedersen, C. N. S. (2009). Financial time series forecasting using improved wavelet neural network. Master of Computer Science Faculty of Science. Univesity of Copenhagen. Copenhagen.
Gao, X., Xiao, F., Zhang, J., & Cao, C. (2004). Short-Term prediction of chaotic time series by wavelet networks. In Intelligent Control and Automation, WCICA 2004. Fifth World Congress on (Vol. 3, pp. 1931-1935). IEEE.
Zarranezhad, M, Kiyani, P., Ebrahimi, S., Raoofi, A. (2013). Forecasting OPEC crude oil price Using Fuzzy Autoregressive Integrated Moving Average (FARIMA) Model, Iranian Energy Economics Research, 5, 107-127. (in Persian).
Zarranezhad, M., Raoofi, A. (2015). Evaluation and comparison of forecast performance of linear and non-linear methods for daily returns of tehran stock exchange, Financial Monetary Economics, 22(9), 1-28. (in Persian).
Zarranezhad, M., Raoofi, A. and Kiani, P. (2012). Evaluation and comparison of performance of ANFIS and ARIMA in forecasting the daily gold prices, The First international conference on econometrics and methods applications. (in Persian).