پیش بینی نرخ بازده سهام با استفاده از الگوریتم دسته بندی داده های عددی (gmdh)

هدف اصلی از سرمایه گذاری در سهام شرکت ها، افزایش ثروت است که این امر از طریق کسب بازده سهام و مدیریت ریسک محقق می گردد. نرخ بازده سهام یکی از مهمترین معیارهای عملکرد موسسات می باشد. عوامل معلوم و نامعلوم مختلفی بر رفتار بازده سهام تأثیر گذاشته و باعث پیچیدگی پیش بینی نرخ بازده سهام می گردد. پیچیدگی های موجود در زمینه پیش بینی نرخ بازده سهام باعث شده است که مدل های خطی پیش بینی، عملکرد مناسبی در این زمینه نداشته باشند. از جمله روش های کارآمد برای مدل سازی فرآیندهای پیچیده مثل پیش بینی نرخ بازده سهام، شبکه های عصبی مصنوعی می باشند. در این پژوهش جهت پیش بینی نرخ بازده سهام از نوع خاصی از شبکه های عصبی مصنوعی به نام gmdh استفاده شده است. الگوریتم دسته بندی داده های عددی، یک شبکه عصبی خود سامانده می باشد. در این روش مدل سازی، توابع هدفی وجود دارند که گاه در تضاد با هم هستند. به عنوان مثال، کاهش خطای مدل سازی شبکه gmdh ممکن است باعث افزایش خطای پیش بینی گردد. این پایان نامه امکان پذیر بودن پیش بینی نرخ بازده سهام با استفاده از gmdh را مورد پژوهش قرار می دهد. نتایج پیش بینی، 0.99r2=، 0.12mape=، 1.14mae=، 2.53rmse= و 6.44mse= را برای پیش بینی در بازار بورس اوراق بهادار تهران نشان می دهد. بنابراین به طور کلی شبکه های عصبی gmdh توانایی قابل ملاحظه ای در پیش بینی نرخ بازده سهام با دقت مناسب را دارند.