تحلیل مقایسهای كارآمدی مدلهای رگرسیون بردار پشتیبان، شبكه عصبی و ARIMA با مدلهای تركیبی در پیشبینی بازده شاخص بورس اوراق بهادار تهران |
سرمایه و نیروی انسانی از ارکان اصلی تولید هستند و تامین این عوامل و تخصیص بهینه آنها لازمه رشد اقتصادی است. این تخصیص مستلزم وجود بازار و عملکرد مطلوب نیروهای بازار است. دررابطه با سرمایه بازار بورس میتواند این وظیفه را بر عهده داشته باشد. مهمترین وظیفه بازار بورس، جذب سرمایههای پراکنده و هدایت آنها بسوی فعالیتهای سرمایهگذاری از طریق یک فرآیند تخصیص بهینه است.
نوسان قیمت سهام نیز در تمام بازارهای بورس امر طبیعی و عادی است، اما در هر صورت میتوان با یک پیشبینی از قیمت سهام ترکیبی مطلوب از آنها را انتخاب و نوسانها را کاهش داد. پیشبینی شاخصهای مهم بازار بورس میتواند گامی در جهت افزایش و شفاف نمودن اطلاعات در بازار سرمایه باشد.
پیشبینی شاخصهای بورس یا بازار سرمایه همواره مورد توجه مطالعات بوده است. این توجه در سالهای اخیر منجر به پیشرفت الگوهای مورد استفاده در پیشپیشبینی شده است. لیکن باید پیشبینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد.
پیشبینی سریهای زمانی یکی از مهمترین روشهای پیشبینی است که در آن از مشاهدات گذشتهی یک متغیر به منظور توسعهی مدل و پیشبینی در آینده استفاده میگردد. روشهای سری زمانی، درطول چند دهه گذشته توسعه بسیاری یافته اند، اما یکی از مهمترین و
پرکاربردترین آنها مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) میباشد که تحت عنوان روش باکس و جنکینز شناخته میشود.
خودرگرسیو میانگین متحرک انباشته (ARIMA) که خلاصه شدهی (Autoregressive Integrated Moving Average) میباشد، یکی از پرکاربردترین مدلها در پیشبینی سریهای زمانی در طول سه دههی گذشته بوده است، اما پیشفرض اصلی آن این است که رابطهی خطی میان ارزشهای سری برقرار باشد. بنابراین رابطههای غیرخطی بوسیلهی مدل خودرگرسیو میانگین متحرک انباشته نمیتوانند خوب توضیح داده شوند.
یکی دیگر از روشهای مورد استفاده در پیشبینی سریهای زمانی شبکهی عصبی است که توان تخمین روابط غیرخطی مختلفی را دارا میباشد (اصطلاحاً به شبکهی عصبی تخمین زنندهی همگانی میگویند). اما استفاده از شبکه، طبق ادبیات تحقیق در روابط خطی نتایج پیچیدهای در بر داشته است.
نوع دیگر از روشهای پیشبینی سری زمانی رگرسیون بردار پشتیبان(SVR ) است. ماشین بردار پشتیبان، تابع رگرسیون را با به کارگیری یک دسته تابع خطی تخمین می زند و عملیات رگرسیون را با تابعی که انحراف از مقدار واقعی در آن به میزان کمتر از ɛ مجاز است انجام می دهد سپس با کمینه کردن ریسک ساختاری ، بهترین جواب را ارائه می دهد.[57]
بطور کلی باید به این نکته اشاره کرد که دانستن الگوی دادهها، مبنی بر خطی و غیرخطی بودن در دنیای واقعی کمی دشوار است و به ندرت سریهای زمانی به طور خالص خطی و غیرخطی میباشند و اغلب از هر دو الگو تبعیت میکنند. بنابراین مسأله اینجاست که چگونه میتوانیم قیمت پایانی و دامنهی نوسان قیمت را با خطای کمتری پیشبینی کنیم؟
1-2) تشریح و بیان موضوع
در زمینه مدلسازی سریهای زمانی، روشهای متفاوتی مورد استفاده قرار میگیرد. مدلهای سنتی مانند میانگین متحرک، هموارسازی نمایی و خودرگرسیو میانگین متحرک انباشته پیشبینی آینده را به روابط خطی از گذشته محدود مینمایند و الگوهای خطی را مدل سازی میکنند. از این مدلها به دلیل سادگی در فهم و کاربرد در دهههای اخیر بسیار استفاده شده است. با وجود انعطاف پذیری بالای مدل خودرگرسیو میانگین متحرک انباشته در مدل سازی الگوهای خطی این مدل نمیتواند الگوهای غیر خطی را خوب مدل سازی کند.
به دلیل مشاهده الگوهای غیرخطی در دنیای واقعی یک سری از مدلهای غیرخطی مانندARCH GARCH, ،TGARCH مطرح گردیدند. همگی این مدلها، الگوهای غیرخطی بخصوصی را توضیح میدهند.
اما شبکه عصبی مجازی(ANN) توان و قدرت پیشبینی روابط غیرخطی را داراست و کاملاً انعطاف پذیر عمل مینماید. شبکههای عصبی مصنوعی از عناصر عملیاتی سادهای ساخته میشوند که به صورت موازی در کنار یکدیگر عمل میکنند. این عناصر که از سیستمهای عصبی زیستی الهام گرفته شدهاند، در تلاشاند که به صورت ناپارامتریک، مغز انسان را شبیه سازی نمایند. نكته حائز اهمیت در استفاده از مدل شبکه عصبی وجود نتایج متفاوت برای روابط خطی است. برای مثال مارکهام و راکس اذعان داشتند عملکرد شبکه عصبی برای مسالههای رگرسیون خطی وابسته به اندازه نمونه و سطح شوک (Noise) میباشد. [53]
از طرفی ماشین بردار پشتیبان (SVM) به عنوان تکنیک نوین یکی از روشهای یادگیری ماشینی است که بر مبنای تئوری یادگیری آماری واپنیک در دهه 90 میلادی توسط واپنیک و همکارانش ارائه گردید. این روش از جمله روشهای نسبتاً جدیدی است که در سالهای اخیر کارایی خوبی نسبت به روشهای قدیمیتر از جمله شبکههای عصبی پرسپترون نشان داده است. رگرسیون بردار پشتیبان این عمل را با تابعی كه انحراف از مقدار واقعی در آن به میزان كمتر از ɛ مجاز است، انجام میدهد.
همانطور که ذکر شد با وجود مزایای متعدد، شبکه های عصبی با محدودیت هایی از جمله مدلسازی روابط خطی و همچنین نیازمند بودن به شمار بالای نمونه برای آموزش(به منظور انجام فرآیند یادگیری) مواجه میباشد. اما چون دانستن خصوصیات دادهها مبنی بر خطی و یا غیر خطی بودن در واقعیت کمی دشوار است و از طرفی به ندرت روابط کاملا خطی و یا کاملا غیر خطی مشاهده میشود، بنابراین این ایده به ذهن میرسد که ترکیب مدل خطی آریما با مدلهای غیر خطی شبکه عصبی پیشخور و ماشین بردار پشتیبان میتواند باعث بهبود دقت پیشبینی گردد.
در مدل ترکیبی سعی بر این داریم ابتدا روابط غیرخطی در پسماندها را با استفاده از شبکهی عصبی و رگرسیون بردار پشتیبان شناسایی کرده سپس پسماندهای بدست آمده را به مدل خودرگرسیو میانگین متحرک انباشته اضافه کنیم. با این ترکیب، بخش خطی بوسیلهی مدل خودرگرسیو میانگین متحرک انباشته و بخش غیرخطی بوسیلهی شبکه عصبی و رگرسیون بردار پشتیبان پیشبینی خواهد شد.
با عنایت به مطالبی كه ذكر شد این سوال پیش میآید كه کدامیک از مدلهای رگرسیون بردار پشتیبان، شبكه عصبی، خودرگرسیو میانگین متحرک انباشته و مدلهای تركیبی، با دقت بالاتر و خطای كمتری توانایی پیشبینی شاخص بورس اوراق بهادار تهران را دارد؟
[1]- Autoregressive Integrated Moving Average
[2] -Universal
-2 Support vector regression
[4] -AutoRegressive conditional heteroskedasticity
[5]- Generralized autoregressive conditional heteroskedasticity
[6] -Threshold Generralized autoregressive conditional heteroskedasticity
-Artificial Neural Network 4
5-Markham
[9] – Rakes
[10]-Support vector machine
[11]-vapnik
فرم در حال بارگذاری ...
[سه شنبه 1399-11-21] [ 11:02:00 ب.ظ ]
|