پیش‌بینی شاخص کل قیمت سهام با استفاده از الگوی خاکستری
فصلنامه بورس اوراق بهادار

فصلنامه بورس اوراق بهادار

پیش‌بینی شاخص کل قیمت سهام با استفاده از الگوی خاکستری

نوع مقاله : مقاله پژوهشی

نویسندگان
رستم رنجبر ناوی 1
علی ارشدی 2
حسن چناری 1
1 گروه آموزشی حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
2 دانشجوی دکتری تخصصی، گروه آموزشی حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
10.22034/jse.2020.11152.1385
چکیده
پیش‌بینی بازار سهام به‌عنوان یک کار پر چالش در حوزه‌ی پیش‌بینی سری‌های زمانی مالی در نظر گرفته شده است. علت مهم این امر عدم وجود قطعیت در نحوه‌ی حرکت بازار سهام می‌باشد. هم‌چنین تحلیل داده‌های سری زمانی قیمت‌های سهام به علت غیر‌خطی بودن و وجود نویز زیاد مشکل می‌باشد. هدف این پژوهش پیش‌بینی بازار سرمایه با استفاده از الگوی پیش‌بینی خاکستری بهبود یافته در بورس اوراق بهادار تهران است. برای این منظور از شاخص کل قیمت سهام (TEPIX) استفاده شد. یافته‌های حاصله بیان‌گر این است که که الگوریتم خاکستری بهبود یافته برازش یافته با به حداقل رساندن خطای پیش‌بینی یک الگوریتم مناسب برای پیش‌بینی نوسان شاخص کل قیمت سهام می‌باشد.
پیش‌بینی بازار سهام به‌عنوان یک کار پر چالش در حوزه‌ی پیش‌بینی سری‌های زمانی مالی در نظر گرفته شده است. علت مهم این امر عدم وجود قطعیت در نحوه‌ی حرکت بازار سهام می‌باشد. هم‌چنین تحلیل داده‌های سری زمانی قیمت‌های سهام به علت غیر‌خطی بودن و وجود نویز زیاد مشکل می‌باشد. هدف این پژوهش پیش‌بینی بازار سرمایه با استفاده از الگوی پیش‌بینی خاکستری بهبود یافته در بورس اوراق بهادار تهران است. برای این منظور از شاخص کل قیمت سهام (TEPIX) استفاده شد. یافته‌های حاصله بیان‌گر این است که که الگوریتم خاکستری بهبود یافته برازش یافته با به حداقل رساندن خطای پیش‌بینی یک الگوریتم مناسب برای پیش‌بینی نوسان شاخص کل قیمت سهام می‌باشد.
کلیدواژه‌ها
الگوریتم خاکستری
سری زمانی
شاخص کل
قیمت سهام

عنوان مقاله English

Prediction of stock price index using gray model

نویسندگان English

Rostam Ranjbar Navi 1
Ali Arshadi 2
Hassan Chenari 1
1 Department of Accounting, Islamic Azad University, South Tehran Branch, Tehran, Iran
2 Ph.D Student, Department of Accounting, Islamic Azad University, Karaj Branch, Karaj, Iran
چکیده English

Stock market prediction is considered as a challenging task in the area of forecasting of financial time series. The main reason for this is the lack of certainty about how the stock market moves. Stock price data analysis is difficult due to the nonlinearity and the high noise level. The purpose of this paper is to forecast the capital market using the improved gray prediction pattern in Tehran Stock Exchange. For this purpose, the total stock price index (TEPIX) was used. The obtained results indicated that the improved gray algorithm fitted with minimizing the prediction error is an appropriate algorithm for predicting the fluctuation of the total stock price index.
Stock market prediction is considered as a challenging task in the area of forecasting of financial time series. The main reason for this is the lack of certainty about how the stock market moves. Stock price data analysis is difficult due to the nonlinearity and the high noise level. The purpose of this paper is to forecast the capital market using the improved gray prediction pattern in Tehran Stock Exchange. For this purpose, the total stock price index (TEPIX) was used. The obtained results indicated that the improved gray algorithm fitted with minimizing the prediction error is an appropriate algorithm for predicting the fluctuation of the total stock price index.

کلیدواژه‌ها English

Gray algorithm
Time series
Total stock price index
  1. پویان‌فر، احمد؛ فلاح‌پور، سعید؛ نوروزی یان‌لکوان، عیسی و امیرحسین فرهادی شولی (1394). استفاده از روش هیبرید انتخاب ویژگی و الگوریتم نزدیک‌ترین همسایگی برای پیش‌بینی جهت حرکتی روزانه‌ی شاخص 50 شرکت برتر بورس اوراق بهادار تهران، مهندسی مالی و مدیریت اوراق بهادار، شماره‌ی 25، ص‌ص: 20-1.
  2. جباری، رامین (1390). ارزیابی عملکرد و انتخاب پرتفوی از صندوق‌های سرمایه‌گذاری، پایان‌نامه‌ی کارشناسی ارشد، دانشگاه علامه‌طباطبایی.
  3. جوانمرد، حبیب‌اله؛ فقیدیان، سیده فاطمه (1393). پیش‌بینی قیمت نفت خام اوپک با به‌کارگیری مدل پیش‌بینی خاکستری، فصلنامه‌ی مدل‌سازی اقتصادی، سال هشتم، شماره‌ی 3، ص‌ص: 114-91.
  4. چناری، حسن (1391). بررسی بازگشت به میانگین قیمت سهام در بورس اوراق بهادار تهران، پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران جنوب.
  5. خواجوی، شکراله و هادی عبدی طالب‌بیگی (1395). تجزیه و تحلیل ابعاد فراکتال بر شاخص بازده نقدی و قیمت سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، دانش سرمایه‌گذاری، سال پنجم، شماره‌ی 18، صص: 93-79.
  6. کرباسی یزدی، حسین؛ نوری‌فرد، یداله؛ چناری، حسن (1391). مطالعه‌ی پدیده‌ی بازگشت به میانگین در بورس اوراق بهادار تهران با استفاده از آزمون ریشه واحد، دانش سرمایه‌گذاری، دوره‌ی 1، شماره‌ی 4، ص‌ص: 104-87.
  7. درودی، دیاکو؛ ابراهیمی، سید بابک (1395). ارایه‌ی روش هیبریدی نوین برای پیش‌بینی شاخص کل قیمت بورس اوراق بهادار، تحقیقات مالی، دوره‌ی 18، شماره‌ی 4، ص‌ص: 632 – 613.
  8. سعیدی. پرویز؛ امیری، عبداله (1388). بررسی رابطه‌ی متغیرهای کلان اقتصادی با شاخص کل بورس اوراق بهادار تهران، فصلنامه‌ی مدل‌سازی اقتصادی، سال دوم، شماره‌ی 2، ص‌ص: 130 – 111.
  9. سینایی‌مهر، حمید (1392). الگوی بهینه‌سازی ترکیب پرتفوی سرمایه‌گذاری بیمه با رویکرد تئوری خاکستری و الگوریتم ژنتیک، پایان‌نامه‌ی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکزی.
  10. شهریاری، حمید؛ آقایی، عبداله؛ نژاد افراسیابی، مریم (1395). پیش‌بینی سری‌های زمانی مالی با استفاده از روش هالت – وینترز چند گام جلوتر، تحقیقات مالی، دوره‌ی 18، شماره‌ی 3، ص‌ص: 518 – 505.
  11. صمدی، سعید؛ شیرانی فخر، زهره؛ داورزاده، مهتاب (1386). بررسی میزان اثرپذیری شاخص قیمت سهام بورس اوراق بهادار تهران از قیمت جهانی نفت و طلا (مدل‌سازی و پیش‌بینی)، بررسی‌های اقتصادی، دوره‌ی 4، شماره‌ی 2، ص‌ص: 52 – 25.
  12. فتحی، سعید؛ گوگردچیان، احمد؛ شهرکی، کاوه؛ عجم، علی‌رضا (1395). بررسی اثر تروریسم بر بازده شاخص کل بورس اوراق بهادار تهران، فصلنامه‌ی بورس اوراق بهادار، سال نهم، شماره‌ی 33، ص‌ص: 92 – 71.
  13. کفایی، محمدعلی؛ رحمانی‌فضلی، هادی (1393). محاسبۀ ریسک رویدادی (مطالعۀ موردی: بورس اوراق بهادار تهران)، تحقیقات مالی، دوره‌ی 16، شماره‌ی 2، ص‌ص: 358 – 345.
  14. لفظی قاضی، هادی (1391). پیش‌بینی بازار سهام با استفاده از کاوش تکاملی قوانین انجمنی میان تراکنشی، پایان نامه‌ی کارشناسی ارشد، دانشگاه تربیت مدرس.
  15. محمدی، علی؛ مولایی، نبی (1389). کاربرد تصمیم‌گیری چند معیاره‌ی خاکستری در ارزیابی عملکرد شرکت‌ها، فصلنامه‌ی مدیریت صنعتی، دوره‌ی 2، شماره‌ی 4، ص‌ص: 142 – 125.
  16. مشبکی، اصغر؛ کردنائیج، اسداله و سجاد فرازمند (1392). پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از انفیس، مدیریت دارایی و تأمین مالی، سال اول، شماره‌ی 1، ص‌ص: 44 – 27.
  17. واعظ برزانی، محمد؛ دلالی اصفهانی، رحیم؛ صمدی، سعید؛ فعال‌جو، حمیدرضا (1389). ارزیابی نقش نظارتی دولت در بورس اوراق بهادار ایران در چارچوب یک الگوی کنترل بهینه، پژوهش‌نامه‌ی اقتصادی، سال دهم، شماره‌ی 1، ص‌ص: 50 – 31.
  18. Chen Ch. & Chang Y. (2008). Airline brand equity, brand preference, and purchase intentions-The moderating effects of switching costs. Journal of Air Transport Management, 14, 40-42.
  19. David, S. A., Machado, J. A. T., Quintino, D. D., & Balthazar, J. M. (2016). Partial chaos suppression in a fractional order macroeconomic model. Mathematics and Computers in Simulation, 122, 55-68.
  20. Gebka, B., & Wohar, M. E. (2013). Causality between trading volume and returns: Evidence from quantile regressions. International Review of Economics & Finance, 27, 144-159.
  21. Hsu, L. C., & Wang, C. H. (2007). Forecasting the output of integrated circuit industry using a grey model improved by the Bayesian analysis. Technological Forecasting and Social Change, 74(6), 843-853
  22. Hsu, C. C., & Chen, C. Y. (2003). Applications of improved grey prediction model for power demand forecasting. Energy Conversion and management, 44(14), 2241-2249.
  23. Hsu, L. C. (2003). Applying the grey prediction model to the global integrated circuit industry. Technological Forecasting and Social Change, 70(6), 563-574.
  24. Julong, D. (1989). Introduction to grey system theory. The Journal of grey system, 1(1), 1-24.
  25. Kayacan, E., Ulutas, B., & Kaynak, O. (2010). Grey system theory-based models in time series prediction. Expert systems with applications, 37(2), 1784-1789.
  26. Lai, C. P., Chung, P. C., & Tseng, V. S. (2010). A novel two-level clustering method for time series data analysis. Expert Systems with Applications, 37(9), 6319-6326.
  27. Lin, Y. H., Lee, P. C., & Chang, T. P. (2009). Adaptive and high-precision grey forecasting model. Expert systems with applications, 36(6), 9658-9662.
  28. Ng, D. K. (1994). Grey system and grey relational model. ACM SIGICE Bulletin, 20(2), 2-9.
  29. Ou, S. L. (2012). Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm. Computers and electronics in agriculture, 85, 33-39.
  30. Sifeng, L., Yaoguo, D., & Zhigeng, F. (2004). Grey system theory and its application. Beijing: Sciences Publishing House, 12, 82-88.
  31. Shang-Lingou,. (2013). Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm. Computers and Electronics in agriculture, 85: 33-39.
  32. Tourani‐Rad, A., Liu, M. H., & Shrestha, K. M. (2008). Analysis of the long‐term relationship between macro‐economic variables and the Chinese stock market using heteroscedastic cointegration. Managerial Finance.
  33. Tsaur, R. C. (2010). The development of an interval grey regression model for limited time series forecasting. Expert systems with applications, 37(2), 1200-1206.
  34. Wang, J. J., Wang, J. Z., Zhang, Z. G., & Guo, S. P. (2012). Stock index forecasting based on a hybrid model. Omega, 40(6), 758-766.
  35. Wang, C. H. (2004). Predicting tourism demand using fuzzy time series and hybrid grey theory. Tourism management, 25(3), 367-374.
  36. Ye, F., Zhang, L., Zhang, D., Fujita, H., & Gong, Z. (2016). A novel forecasting method based on multi-order fuzzy time series and technical analysis. Information Sciences, 367, 41-57.
  37. Ziliang, W., & Sifeng, L. (2005, October). Extension of grey superiority analysis. In 2005 IEEE International Conference on Systems, Man and Cybernetics (Vol. 1, pp. 616-621). IEEE

 

 

 

 

فصلنامه بورس اوراق بهادار
دوره 14، شماره 53
بهار 1400
صفحه 115-137