مدلسازی روابط متقابل ناپایداری واریانس شرطی سری های زمانی مالی با استفاده از شبکه عصبی MLP و الگوریتم ژنتیک

همواره تغییرات در سطوح ریسک ، رفتار سرمایه گذاران فردی را تغییر می دهد. از این روی، پیش بینی هر چه دقیق تر واریانس شرطی آتی سری زمانی مالی با استفاده از دادههای گذشته مورد توجه بسیاری از پژوهشگران قرار گرفته است . مدلهای خانواده گارچ به عنوان رایج ترین روشهای آماری در زمینه پیش بینی ناپایداری واریانس آتی به شرط مشاهدات گذشته مورد استفاده قرار گرفته اند. همچنین تحقیقات اخیر نشان می دهد، مقدار مشاهده شده در یک سری زمانی با مقادیر سریهای زمانی دیگر مرتبط است . در این مقاله با استفاده از مدل آماری گارچ، ناپایداری واریانس شرطی سریهای زمانی مالی مدلسازی و پیش بینی شده، سپس با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودی جهت مدلسازی روابط متقابل نوسانات توسط مدل شبکه عصبی پرسپترون چندلایه انتخاب می گردد. به منظور ارزیابی کارآیی روش پیشنهادی در مقایسه با روشهای آماری و مبتنی بر شبکه عصبی ، از مجموعه سریهای زمانی G۷ استفاده شده است . نتایج نشان دهنده کاهش ۴۰ درصدی خطای پیش بینی ناپایداری واریانس شرطی سری زمانی S&P ۵۰۰ با توجه به معیار MSE می باشد.

کلیدواژه ها:

پیش بینی ، روابط متقابل ، ناپایداری واریانس شرطی ، شبکه عصبی ، الگوریتم ژنتیک .