پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از روش تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک و تحلیل طیفی تکین هم پوشانی
پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از روش تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک و تحلیل طیفی تکین هم پوشانی
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
زهرا حسن دوست
1
(دانشجوی دکتری گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامي، تهران، ايران)
حمیدرضا وکیلی فرد
2
(گروه مدیریت مالی، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران(نویسنده مسئول). )
فریدون رهنمای رودپشتی
3
(گروه مدیریت مالی، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران)
کلید واژه: طول پنجره, سیگنال, نقطه‌ی برش, نویز, تحلیل طیفی تکین هم پوشانی,
چکیده مقاله :
پژوهش حاضر پیش بینی شاخص کل بورس اوراق بهادار تهران را با روش تحلیل طیفی تکین مبتنی بر الگوریتم ژنتیک و تحلیل طیفی تکین هم پوشانی مورد تحلیل می باشد. به لحاظ هدف کاربردی و از حیث روش، توصیفی-تحلیلی است. جامعه آماری این پژوهش ، قیمت روزانه شاخص کل بورس اوراق بهادار تهران در بازده زمانی ده ساله(1388 تا 1397) و نمونه پژوهش نیز 2411 داده از بازده لگاریتمی شاخص مورد نظر می باشد. ابتدا الگوریتم ژنتیک در روش SSA بر روی شاخص پیاده سازی شد. سپس، با استفاده از روش Ov-SSA به منظور بهبود بازسازی و تفکیک‌پذیری مولفه-ها، سری‌های زمانی اولیه و بزرگ به قسمت‌های کوچک و متوالی مشترک تقسیم گردیدند و روش تحلیل SSA استاندارد برای هر قسمت بکار گرفته شد. نتایج پژوهش نشان داد که روش تحلیل SSA هم پوشانی با داشتن خطای قدرمطلق میانگین کمتر، عملکرد بالاتری نسبت به روش تحلیل SSA مبتنی بر الگوریتم ژنتیک دارد.
The present study analyzes the prediction of the total index of the Tehran Stock Exchange with the singular spectral analysis method based on the genetic algorithm and overlapping singular spectral analysis. It is practical in terms of purpose and descriptive-analytical in terms of method. Its statistical population is the daily price of the total index of the Tehran Stock Exchange in the ten-year return (2009 to 2018) and the research sample is 2411 data from the logarithmic return of the target index.First, the genetic algorithm was implemented in the SSA method on the index. Then, using the Ov-SSA method in order to improve the reconstruction and resolution of the components, the initial and large time series were divided into small and common consecutive parts and the standard SSA analysis method was used for each part.The results of the research showed that the Ov-SSA analysis method has a higher performance than the GA-SSA analysis method with a lower mean absolute value error.
