مقایسه دقت مدل های فراابتکاری و اقتصادسنجی در پیش بینی سری-های زمانی مالی دارای حافظه بلندمدت (مطالعه ی موردی؛ شاخص سهام صنعت سیمان در ایران)

نویسندگان

فرناز برزین پور

سیدبابک ابراهیمی

سید محمد هاشمی نژاد

حامد نصر اصفهانی

چکیده

داده های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری های زمانی مالی با تناوب بالا می شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون r/s و gph تأیید می شود. در ادامه، دقت مدل های پیش بینی سری های زمانی مالی نظیر، arma و garch که ویژگی حافظه بلندمدت را در مدل سازی سری زمانی در نظر نمی گیرند و مدل هایی مثل arfima و figarch، که این ویژگی را مدنظر قرار می دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری های زمانی فازی وزن دار می-باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (rmse) در بازه های زمانی مختلف مورد مقایسه قرار می گیرد. نتایج حاصل نشان می دهند که روش فراابتکاری ارایه شده در تمامی بازه های زمانی نتیجه بهتری از مدل های متداول اقتصادسنجی ارایه می دهد.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

مقایسه دقت مدل‌های فراابتکاری و اقتصادسنجی در پیش‌بینی سری-های زمانی مالی دارای حافظه بلندمدت (مطالعه‌ی موردی؛ شاخص سهام صنعت سیمان در ایران)

داده‌های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می‌شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری‌های زمانی مالی با تناوب بالا می‌شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون R/S و GPH تأیید می‌شود. در ادامه، دقت مدل‌های پیش‌بینی سری‌های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلن...

متن کامل

مقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران

     با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به  مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی  زمانی1371:1 تا 1385:11 بوده و  از شر...

متن کامل

مقایسه دقت پیش بینی سود توسط مدیریت با سری های زمانی باکس-جنکینز

  در این تحقیق تلاش محقق بر این است که برای پیش بینی EPS شرکتها، مشهورترین روش های پیش بینی را در مقایسه با پیش بینی های مدیریت در بودجه شرکتها مورد مقایسه قرار دهد. بدین منظور از بین روش های گوناگون پیش بینی، مشهورترین آنها (روش باکس-جنکینز) انتخاب و برمبنای روشهای اقتصاد سنجی، مدل مناسب برازش میشود. بدیهی است براساس روشهای صحت سنجی و آزمونهای اقتصاد سنجی، مدل فوق بایستی تایید گردد. در این حا...

متن کامل

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

متن کامل

تأثیر تفاضل گیری در ایستایی و دقت مدل های سری زمانی در پیش بینی تراز سطح دریاچه

سابقه و هدف: یکی از فرض‌های بسیار مهم در مدل‌سازی سری‌‌های زمانی ایستا بودن آن است. میزان ایستای می تواند متفاوت باشد به طوری که در تعاریف منابع مختلف ایستایی مرتبه‌ی اول، مرتبه‌ی دوم، قوی و اکید تعریف شده است. لذا در این پژوهش به بررسی تأثیر تفاضل‌گیری‌های فصلی، غیرفصلی و توأم بر میزان ایستایی سری زمانی پرداخته شد. همچنین تأثیر میزان ایستایی بر عملکرد مدل-های ARMA، ARIMA و SARIMA در مدل‌سازی و...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
نشریه علمی-پژوهشی تحقیقات مالی

ناشر: دانشکده مدیریت دانشگاه تهران

ISSN 1024-8153

دوره 13

شماره 31 2012

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023