پیش بینی بازده بازار سهام با روش انتروپی و شبکه های عصبی

پایان نامه
چکیده

تاکنون اندازه های زیادی از اندازه وابستگی مطرح شده اند که هر کدام برای نیازهای متفاوت فرآیندهای مورد مطالعه ساخته شده اند. یکی از مجموعه چنین اندازه هایی، توابع انتروپی با توجه به تئوری اطلاعات هستند. برای مثال اطلاعات متقابل شانون و واگرایی کولبک-لایبلر در موارد غیر خطی بسیار گسترش یاف اند،این اندازه ها همچنین در آنالیز سری های زمانی نیز به کار می روند.اگرچه بیشتر چنین اندازه هایی متریک نیستند و بنابراین در نامساوی مثلثی صدق نمی کنند و عملگرهای جابه جایی پذیری نیستند.چنین کاستی هایی برای بیشتر آزمون هادارای اهمیت ویژه ای نیستند اما روی توانایی ارزیابی و درجه بیان وابستگی یا انحراف از نقاط مورد نظر ما، یا برای یافتن حداقل فاصله و جواب های بهینه مدل تاثیر می گذارند. در این پایان نامه از اندازه نرمال شده ماتوسیتا-باتاچاریا-هلینجر استفاده خواهد شد که اندازه‍ای متریک است و به صورت کامل در فصل دوم معرفی می شود. اندازه ای نرمال شده که برای وابستگی غیرشرطی و ناپارامترک به کار می رود و برای مشخص سازی یک وابستگی غیر خطی کلی و محتمل بسیار موفق عمل می کند. اندازه های انتروپی دیگری مانند اندازه کولبک-لایبلر نیز کاربرد خوبی در آزمون استقلال و سایر آزمون ها نشان می دهد. استقلال یکی از مهم ترین مفاهیم در اقتصادسنجی است که به عنوان آزمونی برای فرضیات استقلال به کار می رود، مقالات بسیاری در مورد آزمون استقلال بحث کرده اند. نحوه آزمون فرآیندها و یافتن آزمونی مناسب برای انجام فرضیه مورد استفاده روی فرآیندها و نحوه گسترش چنین مفهومی بسیار مهم است. مثلا برای دو فرآیند x_t و y_t که مستقل و به طور یکسان توزیع شده اند می توان چنین فرضیه ای ساخت .h_0 : f_{xy} (x_t,y_t) = f_x (x_t) f_y (y_t) a.s و از آزمون سریالی برای آزمون انتروپی استفاده خواهد شد. استراتژی بر اساس اندازه گیری نزدیکی بین تخمین زننده های کرنل چگالی توام و حاصلضرب چگالی های حاشیه ای آن است. فاصله مورد استفاده ما اندازه انتروپی ماتوسیتا-باتاچاریا-هلینجر است. بسته npdeptest در بسته {np} توصیف و شرح داده شده است. ما بسته های npdeptest و npsdeptest را به وسیله داده های واقعی برای قیمت بسته شده تعدیلی ماهانه شاخص s&p500 در یک دوره 64 ساله به کار بردیم. یک کاربرد چگالی کرنل غیرپارامتریک در حالت پیوسته و گسسته برای داده های به دست آمده از یک مدل رگرسیون خطی و یک مدل اتورگرسیو به کار رفته است. کارهایی که در آینده امکان انجام آنها ممکن است را بیان خواهیم کرد. کلمات کلیدی{اندازه انتروپی ماتوسیتا-باتاچاریا-هلینجر، پیش بینی پذیری بازده مازاد سهام، استقلال، آزمون استقلال سریالی }

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی نوسانات بازده بازار با استفاده از مدل های ترکیبی گارچ ـ شبکه عصبی

در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تأیید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق ...

متن کامل

پیش بینی بازده بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی

همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد...

متن کامل

پیش بینی سقوط بازار سهام با استفاده از شبکه های عصبی نگاشت خود سازمان ده

سقوط بازار پدیده­ای است که سبب از دست رفتن ثروت و دارایی سرمایه‎گذاران در بازۀ زمانی نسبتاً کوتاهی می­شود، از این رو تلاش برای پیش­بینی آن از اهمیت زیادی برای سرمایه­گذاران، سیاست‎گذاران، نهادهای مالی و دولت برخوردار است. بررسی اجمالی تئوری­ها و مدل‎های ارائه‎شدۀ پیش­بینی سقوط در بازار سهام نشان می­دهد میان پژوهشگران دربارۀ الگوهای مشاهده‎شدۀ متغیرها، مانند حجم معامله، بازده‎ها، نوسان‎پذیری، عوا...

متن کامل

پیش بینی بازده سهام با روش شبکه عصبی مصنوعی

پیش بینی در حسابداری از دیرباز مورد توجه متفکران و اندیشمندان این حرفه بوده است و پیش بینی بازده سهام برای دوره های آتی، از مهم ترین ضروریت های مدیریت واحدهای اقتصادی است. روشن است که خصوصیت عدم اطمینان، امر نامطلوبی است و از طرفی برای سرمایه گذارانی که بورس را به عنوان مکان سرمایه گذاری انتخاب نموده اند این خصوصیت اجتناب ناپذیر است. بنابراین به طور طبیعی تمام تلاش سرمایه گذار کاهش عدم اطمینان ...

ترکیب شبکه های عصبی برای پیش بینی قیمت سهام

در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...

متن کامل

پیش بینی بازده سهام با استفاده از روش انقباضی LASSO

انتخاب متغیر، یکی از مراحل مهم در مدل­سازی آماری است. برای این منظور، معمولاً از روش­هایی نظیر حذف پسرو استفاده می­شود. از آنجایی که در این روش­ها دو مرحله ی برآورد مدل و انتخاب متغیر به طور جداگانه صورت می­گیرد، نتیجه­ی حاصل بی­ثبات خواهد بود. به همین دلیل اخیراً گروه دیگری از روش­های انتخاب متغیر به نام روش­های انقباضی مطرح شده­اند که در این بین، LASSO از محبوبیت ویژه­ای برخوردار است. در این تح...

متن کامل

منابع من

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

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه سمنان - دانشکده ریاضی و کامپیوتر

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023