سری زمانی مالی

تاکنون روش های مختلفی برای پیش بینی قیمت کالاها و سودهای سهام به کار رفته است. با توجه به نوسانات دنیای مالی مهم ترین نکته این است که کدام یک از روش های پیش بینی می تواند در اعمال تصمیم بهینه به مدیران و تصمیم گیرندگان بخش های اقتصادی و بازرگانی کمک کند. در اغلب مطالعات صورت گرفته تا کنون، برای پیش بینی سری های زمانی از روش های خودرگرسیون موسوم به باکس جنکینز برای پیش بینی سری های زمانی استفاده شده است؛ در حالی که سری های زمانی بسیاری با تغییرات فصلی یا سیکلی وجود دارند که نمی توانند به وسیله یک چندجمله ای به طور مناسب مدل شوند. در این تحقیق از روش هالت وینترز برای پیش بینی سری زمانی نامانای داده های سود کسب شده از فروش یک محصول واسطه استفاده شد. نتایج حاکی از آن است که روش پیشنهادی در مقایسه با روش های کلاسیک و روش S فیلتر شده، کارایی بیشتری در پیش بینی مقادیر آینده از خود نشان می دهد

هدف: اتخاذ استراتژی معاملاتی سودده، یکی از دغدغه های سرمایه گذاران بازار مالی است. این استراتژی، بر پایه نقاط معاملاتی یا نقاط عطفِ سودده شکل می گیرد و لازمه دستیابیِ به آن، پیش بینی نقاط عطف است. گام نخست در راستای پیش بینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی است. میزان سوددهی نقاط عطف پیش بینی شده، به میزان سوددهی نقاط عطف شناسایی شده بستگی دارد. به همین دلیل، ادبیات موضوع همواره در راستای ارتقای عملکرد روش های شناسایی نقاط عطف یا افزایش میزان سوددهی نقاط عطف شناسایی شده، تلاش کرده است. با این حال تا جایی که می دانیم، هیچ یک از روش های موجود، قابلیت شناسایی سودده ترین نقاط عطف یا نقاط عطف بهینه را ندارد. مقاله حاضر، با هدف برطرف سازی این شکاف تحقیقاتی تدوین شده است. روش: مدل پیشنهادی در این مقاله، با پیاده سازی مسئله شناسایی نقاط عطف در بستر گراف و حل آن با جست وجوی طولانی ترین مسیر، نقاط عطف بهینه را شناسایی می کند. یافته ها: مدل پیشنهادی، بر خلاف روش های شناسایی موجود در ادبیات، قابلیت شناسایی نقاط عطف بهینه موجود در گذشته سری زمانی مالی را دارد. نتیجه گیری: به منظور نشان دادن عملکرد مدل پیشنهادی، ابتدا مدل روی بازارهای بورس نزدک و نیویورک پیاده سازی و نتایج آن با بهترین مدل های شناسایی موجود در ادبیات موضوع مقایسه شد. نتایج به دست آمده، برتری عملکرد مدل پیشنهادی را نسبت به سایر مدل ها نشان می دهد.