بهبود عملکرد پیش بین یهای مالی با استفاده از معماری های مختلف ترکیب مدل های خطی کلاسیک و غیرخطی هوشمند

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 506

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IESM03_056

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

امروزه بهرغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق سری های زمانی کار چندان ساده ایی نیست و اکثر محققان در صددبه کارگیری ترکیب روش های متفاوت به منظور دستیابی به نتایج دقیق تر می باشند. استفاده از مدل های ترکیبی یا ترکیب مدل های مختلف یکراه حل معمول به منظور بهبود دقت پیش بینی است. در ادبیات موضوع پیش بینی سری های زمانی، ترکیب مدل های خطی کلاسیک و غیرخطیهوشمند یکی از معمول ترین روشهای ترکیبی به منظور بهبود دقت پیش بینی می باشد. مدل های میانگین متحرک خودرگرسیون انباشته وشبکه عصبی به ترتیب از مهمترین و پرکاربردترین مدل های خطی کلاسیک و غیرخطی هوشمند در پیش بینی سری های زمانی می باشند که درچند دهه اخیر به وفوردر مدل های ترکیبی مورد استفاده قرارگرفته اند. در این مقاله به منظور بهبود دقت پیش بینی ها درمحیط های مالی وهمچنین غلبه بر محدودیت های مدلهای تکی، معماری های مختلف ترکیب این دو مدل پیشنهاد شده است. نتایج حاصله از به کارگیری مدل هایترکیبی مختلف درپیش بینی شاخص قیمت سهام داووجونز، بیانگر کارآمدی مدل های ترکیبی در تقابل با مدل های خودرگرسیون میانگینمتحرک انباشته و شبکه های عصبی مصنوعی می باشد.

کلیدواژه ها:

مدل های خودرگرسیون میانگین متحرک انباشته (ARIMA) ، شبکه های عصبی مصنوعی (ANN) ، معماری های ترکیب ، پیش بینی قیمت سهام

نویسندگان

مهدی خاشعی

دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان، اصفهان، ایران

زهرا حاجی رحیمی

دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان، اصفهان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . Reid, D.J.Combining three estimates of gross domestic product, Economica, ...
  • . Bates, J.M. and C .W, Granger.The combination of forecasts, ...
  • . Pai, P-F and W-C, Hong. Support vector machines with ...
  • . Pai, P-F and C-S Lin. A hybrid ARIMA and ...
  • _ International Conference on Industrial Engineering & Sustainable Management (IESM ...
  • . Khashei, M., S.R. Hejazi. and M . Bijari. A ...
  • . Pham, H.T., and B.-S. Yang., "Estimation and forecasting of ...
  • . Ebrahimpour, R., et al., "Mixture of MLP-experts for trend ...
  • . Kristjanpoller, W. and M.C. Minutolo., "Gold price volatility: A ...
  • . Zhang, G. Patuwo, B.E. and Hu, M.Y. Forecasting with ...
  • . Box, G.E. and G.M. Jenkins. Time series analysis: forecasting ...
  • . Denton, J.w. How good are Neural Networks for causal ...
  • . Chen, K.-Y. Combining linear and nonlinea model in forecasting ...
  • . Wang, J.-J. et al. Stock index forecasting based _ ...
  • . Khashei, _ and M. Bijari. Hybridization of the probabilistic ...
  • . Babu, C.Narendra. and Reddy, B.Eswara A moving- average filter ...
  • . Kumar, M., and M. Thenmozhi., Forecasting stock index returns ...
  • . Gairaa, K., et al. Estimation of the daily global ...
  • . Zhang, G.P .Time series forecasting using a hybrid ARIMA ...
  • _ International Conference on Industrial Engineering & Sustainable Management (IESM ...
  • نمایش کامل مراجع