منصور زراءنژاد - استاد گروه اقتصاد دانشگاه شهید چمران اهواز
علی ریوفی - دانشجوی دکترا اقتصاد دانشگاه علامه طباطبایی

پیشبینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران و سرمایه گذارن اقتصادی کشورها دارد، با این حال پیشبینی این متغیرها با توجه به ماهیت پرنوسان و پیچیدهای که دارند بسیار دشوار است. نوع و ماهیت داده از حیث پیچیدگی میتواند بر دقت پیشبینی مدلها اثرگذار باشد؛ به عبارتی رفتار خطی و یا غیرخطی متغیرها میتواند بر انتخاب مدل پیشبینی اثرگذار باشد. تحقیقات اخیر نشان م یدهد اگر بتوان فرآیند مولد دادههای یک متغیر (خطی یا غیرخطی) را به دست آورد پیشبینی آن متغیر راحتترو با خطای کمتری امکانپذیر خواهد بود.در این مقاله ابتدا با استفاده از آزمون براک- دیکرت و شاینکم ن (BDS ،(به بررسی خطی یا غیرخطی بودن و سپس آشوبناک بودن بازده شاخص کل بورس اوراق بهادار تهرا ن (TEPIX (طی بازه زمانی 05/01/1388 تا 23/07/1390) 625 مشاهده) پرداخته شده است. نتایج آزمون نشان میدهد که این متغیر از یک رفتار غیرخطی تبعیت میکند. سپس با استفاده از تکنیکهای مختلف پیشبینی، مدل ها ی خطی و غیرخطی ARIMA ،GARCH ،ANN و ANFIS برآورد شدند و با استفاده از معیارهای دقت پ یشبین ی مانند RMSE ،MAE ،Thiel-U و MAPE ،مدلها مورد ارزیابی و مقایسه قرار گرفتند. نتایج نشان می -دهد که مدلهای غیرخطی نسبت به مدل ARIMA از عملکرد بهتری برخوردار بودند و در بین مدل های غیرخطی نیز مدل ANFIS بهترین عملکرد را در پیشبینی بازده روزانه شاخص سهام دارا بود.در ادامه با استفاده از آمارهی مورگان-گرنجر- نیوبلد (MGN (معنیداری تفاوت دقت پیشبینی مدلها ی غیرخطی با مدلهای خطی مورد آزمون قرار گرفت که نتایج نشان دهنده تفاوت معنی دار در پ یشبین ی روشهای خطی و غیرخطی بود.

شبکه عصبی فازی ANFIS ،شبکه عصبی، مدل گارچ، مدلهای غیر خطی، نظریه آشوب، بازده سهام