فیلترهای جستجو:
فیلتری انتخاب نشده است.
نمایش ۴۴۱ تا ۴۶۰ مورد از کل ۸۰۳ مورد.
آمار سخن می گوید
ارائه مدل پیشبینی شاخص کل قیمت سهام با رویکرد شبکههای عصبی (مطالعه موردی: بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)
حوزههای تخصصی:
هدف تحقیق حاضر ارائه مدل پیشبینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکههای عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان میدهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیشبینی شاخص قیمت سهام در بورس اوراق بهادار تهران را دارا میباشد. در پایان مقاله، بحث، نتیجه گیری، پیشنهادات کاربردی و نیز مواردی در خصوص ادامه و پیگیری تحقیقات مشابه در آینده بیان شده است.
گوش به زنگ باشید
تحلیل فقهی و اقتصادی قراردادهای آتی
حوزههای تخصصی:
نقش و جایگاه اطلاعات در بازار سرمایه
حوزههای تخصصی:
شفاف سازی در بازار اوراق بهادار
حوزههای تخصصی:
حباب های قیمتی مشهور در بازارهای مالی
حوزههای تخصصی:
کمیسیون بورس و اوراق بهادار پاکستان ( SECP )
حوزههای تخصصی:
فارکس ، فرصت ها و تهدیدها
حوزههای تخصصی:
آشنایی با هیات تدوین استانداردهای حسابداری مالی FASB
حوزههای تخصصی:
پیش بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA(مقاله علمی وزارت علوم)
حوزههای تخصصی:
در این مقاله با استفاده از دادههای روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظه بلند این شاخص پرداخته و مدل ARFIMA را بر آن برازش میدهیم. همچنین عملکرد پیشبینی مدل ARFIMA را با مدل ARIMA مقایسه میکنیم. نتایج نشان میدهند که اولاٌ این سری زمانی از نوع حافظه بلند است، بنابراین میتوان با تفاضلگیری کسری آن را مانا کرد. پارامتر تفاضلگیری بهدست آمد. پس از تفاضلگیری کسری و تعیین تعداد وقفههای اجزای خودبازگشت و میاانگین متحرک مدل، شکل کلی بهصورت ، مشخص میشود. پارامترهای این مدل برای 900 داده درون نمونهای برآورد شده است و از آنها برای پیشبینی 70 داده خارج از نمونه استفاده میشود. مقایسه عملکرد پیشبینی مدل ARFIMA با مدل ARIMA، نشان میدهد که مدل ARFIMA از قدرت پیشبینیکنندگی بالاتری برخوردار است.