قیمت محصول :     10000 تومان
  افزودن به سبد خرید

سبد خرید

  • سبد خریدتان خالی است.
  • تاریخ ارائه محصول : 09 / 08 / 2019
  • بازدید : 48 بار
  • دسته بندی :
  • امتیاز کاربران :

تحليل مقايسه اي كارآمدي مدل هاي رگرسيون بردار پشتيبان، شبكه عصبي و ARIMA با مدل هاي تركيبي

تحليل مقايسه­ اي كارآمدي مدل­ هاي رگرسيون بردار پشتيبان، شبكه عصبي و ARIMA با مدل­هاي تركيبي در پيش ­بيني بازده شاخص بورس اوراق بهادار تهران

سرمایه و نیروی انسانی از ارکان اصلی تولید هستند و تامین این عوامل و تخصیص بهینه آنها لازمه رشد اقتصادی است. این تخصیص مستلزم وجود بازار و عملکرد مطلوب نیروهای بازار است. دررابطه با سرمایه بازار بورس می­تواند این وظیفه را بر عهده داشته باشد. مهم­ترین وظیفه بازار بورس، جذب سرمایه­های پراکنده و هدایت آنها بسوی فعالیت­های سرمایه­گذاری از طریق یک فرآیند تخصیص بهینه است.

نوسان قیمت سهام نیز در تمام بازارهای بورس امر طبیعی و عادی است، اما در هر صورت می­توان با یک پیش­بینی از قیمت سهام ترکیبی مطلوب از آنها را انتخاب و نوسان­ها را کاهش داد. پیش­بینی شاخص­های مهم بازار بورس می­تواند گامی در جهت افزایش و شفاف نمودن اطلاعات در بازار سرمایه باشد.

پیش­بینی شاخص­های بورس یا بازار سرمایه همواره مورد توجه مطالعات بوده است. این توجه در سال­های اخیر منجر به پیشرفت الگوهای مورد استفاده در پیش­پیش‌بینی شده است. لیکن باید پیش­بینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد.

پیش­بینی­ سری­های زمانی یکی از مهم­ترین روش­های پیش­بینی است که در آن از مشاهدات گذشته­ی یک متغیر به منظور توسعه­ی مدل و پیش­بینی در آینده استفاده می­گردد. روش­های سری زمانی، درطول چند دهه گذشته توسعه بسیاری یافته اند، اما یکی از مهمترین و پرکاربردترین آن­ها مدل خودرگرسیو میانگین متحرک انباشته (ARIMA[1]) می­باشد که  تحت عنوان روش باکس و جنکینز شناخته می­شود.

خودرگرسیو میانگین متحرک انباشته (ARIMA) که خلاصه شده‌ی (Autoregressive Integrated Moving Average) می‌باشد، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی در طول سه دهه‌ی گذشته بوده است، اما پیش‌فرض اصلی آن این است که رابطه‌ی خطی میان ارزش‌های سری برقرار باشد. بنابراین رابطه‌های غیرخطی بوسیله‌ی مدل خودرگرسیو میانگین متحرک انباشته نمی‌توانند خوب توضیح داده شوند.

یکی دیگر از روش‌های مورد استفاده در پیش‌بینی سری‌های زمانی  شبکه‌ی عصبی است که توان تخمین روابط غیر‌خطی مختلفی را دارا می‌باشد (اصطلاحاً به شبکه‌ی عصبی تخمین زننده‌ی همگانی[۲] می‌گویند). اما استفاده از شبکه، طبق ادبیات تحقیق در روابط خطی نتایج پیچیده‌ای در بر داشته است.

نوع دیگر از روش­های پیش­بینی سری زمانی رگرسیون بردار پشتیبان(SVR [3] ) است. ماشین بردار پشتیبان، تابع رگرسیون را با به کارگیری یک دسته تابع خطی تخمین می زند و عملیات رگرسیون را با تابعی که انحراف از مقدار واقعی در آن به میزان کمتر از ɛ مجاز است انجام می دهد سپس با کمینه کردن ریسک ساختاری ، بهترین جواب را ارائه می دهد.[۵۷]

بطور کلی باید به این نکته اشاره کرد که دانستن الگوی داده‌ها، مبنی بر خطی و غیرخطی بودن در دنیای واقعی کمی دشوار است و به ندرت سری‌های زمانی به طور خالص خطی و غیرخطی می‌باشند و اغلب از هر دو الگو تبعیت می‌کنند. بنابراین مسأله اینجاست که چگونه می‌توانیم قیمت پایانی و دامنه‌ی نوسان قیمت را با خطای کمتری پیش‌بینی کنیم؟

افزودن به سبد خرید
مطلب مفیدی برای شما بود ؟؟ پس به اشتراک بگذارید برای دوستانتان

دیدگاه کاربران ...

    لطفا قبل از ارسال سئوال یا دیدگاه سئوالات متداول را بخونید.
    جهت رفع سوالات و مشکلات خود از سیستم پشتیبانی سایت استفاده نمایید .
    دیدگاه ارسال شده توسط شما ، پس از تایید توسط مدیران سایت منتشر خواهد شد.
    دیدگاهی که به غیر از زبان فارسی یا غیر مرتبط با مطلب باشد منتشر نخواهد شد.

    دیدگاه خود را بیان کنید

0