پیش بینی شاخص بورس اوراق بهادار به کمک گراف پدیداری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پویایی بازار و رفتار تصادفی سری زمانی شاخص در دنیا باعث شده پیش بینی روند آن از دغدغه اصلی پژوهشگران و سرمایه گذاران بازار سرمایه شود و لذا از مدل های مختلف برای پیش بینی استفاده گردد . روش های تحلیل سری های زمانی مبتنی بر شبکه و پیش بینی از جمله مدل گراف پدیداری نشان می دهد که این روش ها برای تحلیل سری های زمانی مؤثر است. در این پژوهش سعی بر این داشته ایم که به کمک سه روش گراف پدیداری به پیش بینی شاخص TEDPIX در سال های 1392 تا 1403 بپردازیم. این روش ها شامل متشابه ترین گره، مدل گره های متشابه وزن دار، و مدل ابداعی پژوهش مدل گراف پدیداری متقاطع می باشند.در این راستا سری زمانی شاخص و چند متغیر کمکی را به گراف پدیداری تبدیل کرده و به کمک سه مدل به پیش بینی سری های زمانی فوق الذکر پرداختیم. نتایج نشان داد که عملکرد مدل گره های متشابه وزن دار و مدل مشابه ترین گره بسته به شرایط مختلف گاهی بهتر از دیگری بوده است. با این حال، مدل ابداعی ما، یعنی مدل گراف پدیداری متقاطع و مدل گره های متشابه وزن دار ، به طور کلی در پیش بینی شاخص بهترین نتایج را به دست آورده.Prediction of the stock market index with the help of visibility graph
The dynamics of the market and the stochastic behavior of index time series worldwide have made forecasting trends a primary concern for researchers and investors in the capital market. Therefore, various models are used for forecasting. Time series analysis and prediction methods based on networks, including the visibility graph model, have proven effective for time series analysis. In this research, we aimed to predict the TEDPIX index for the years 2013-2024 using three visibility graph-based methods. These methods include the most similar node model, the weighted similar node model, and our proposed method, the cross-visibility graph model. We converted the time series of the index and some auxiliary variables into a visibility graph and predicted the aforementioned time series using these three models. The results showed that the performance of the weighted similar node model and the most similar node model varied depending on different conditions. However, our proposed model, the cross-visibility graph model, and the weighted similar node model generally provided the best results in predicting the index and were more accurate compared to other models.
تبلیغات
