پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی مالی، دانشکده مهندسی صنایع و مدیریت سیستم‌ها، دانشگاه امیرکبیر، تهران، ایران. (نویسنده مسئول)

2 استاد گروه مهندسی صنایع و مدیریت سیستم‌ها، دانشکده مهندسی صنایع و مدیریت سیستم‌ها، دانشگاه امیرکبیر، تهران، ایران.

چکیده

پیش‌بینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیش‌بینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش­بینی یک دوره­ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل ARMA-EGARCH برای پیش­بینی سری­های جزئی و شبکه عصبی مصنوعی برای پیش­بینی سری تقریبی بکار گرفته می­شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص­های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می­شوند. ارزیابی مدل پیشنهادی برای پیش­بینی قیمت در بازار ایران و آمریکا با مدل­های شبکه عصبی مصنوعی، ARIMA-EGARCH و ARIMA-ANN نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل­ها برای پیش­بینی قیمت سهام در بازار ایران و آمریکا دارد.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Day-ahead stock price forecasting using hybrid model

نویسندگان [English]

  • Vahid Vafaei Ghaeini 1
  • Alimohammad Kimiagari 2
1 Msc Student in Financial engineering, Faculty of Industrial Engineering and Management System, AmirKabir Univercity, Tehran, Iran
2 prof in Industrial Engineering and Management System, Faculty of Industrial Engineering and Management System, AmirKabir Univercity, Tehran, Iran
چکیده [English]

Forecasting financial markets is an important issue in finance area and research studies. Importance of forecasting on one hand and its complexity, on the other hand, researchers have done much work in this area and proposed many methods. In this research, we propose a hybrid model include wavelet transform, ARMA-EGARCH and NN for day-ahead forecasting of stock market price in different markets. At first WT is used to decompose and reconstruct time series into detailed and approximated parts. And then we used ARMA-EGARCH and NN models respectively for forecasting details and approximate series. In this model we used technical index by approximate part to the improvement of our NN model. Finally, we combine prediction of each model together. For validation, proposed model compare with ANN, ARIMA-GARCH and ARIMA-ANN models for forecasting stocks price in UA and Iran markets. Our results indicate that proposed model has better performance than others model in both markets.
 
 
 

کلیدواژه‌ها [English]

  • ANN
  • ARMA-EGARCH
  • Forecasting
  • Wavelet Transform
      Babu, C. N., & Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data. Applied Soft Computing, 23, 27–38.

*    Dai, W., & Lu, C.-J. (2008). Financial Time Series Forecasting Using a Compound Model Based on Wavelet Frame and Support Vector Regression. 2008 Fourth International Conference on Natural Computation, 328–332.

*    Jammazi, R., & Aloui, C. (2012). Crude oil price forecasting: Experimental evidence from wavelet decomposition and neural network modeling. Energy Economics, 34(3), 828–841.

*    Joo, T. W., & Kim, S. B. (2015). Time series forecasting based on wavelet filtering. Expert Systems with Applications, 42(8), 3868–3874.

*    Kaastra, I., & Boyd, M. (1999). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215–236.

*    Khandelwal, I., Adhikari, R., & Verma, G. (2015). Time Series Forecasting Using Hybrid ARIMA and ANN Models Based on DWT Decomposition. Procedia Computer Science, 48(Iccc), 173–179.

*    October, M. (2008). A Wavelet Tour of Signal Processing.

*    Rana, M., & Koprinska, I. (2016). Forecasting electricity load with advanced wavelet neural networks. Neurocomputing, 182, 118–132.

*    Tan, Z., Zhang, J., Wang, J., & Xu, J. (2010). Day-ahead electricity price forecasting using wavelet transform combined with ARIMA and GARCH models. Applied Energy, 87(11), 3606–3610.

*    Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501–5506.

*    Tsay, R. S. (2005). Analysis of Financial Time Series.

*    Wang, J. Z., Wang, J. J., Zhang, Z. G., & Guo, S. P. (2011). Forecasting stock indices with back propagation neural network. Expert Systems with Applications, 38(11), 14346–14355.

*    Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.