سری های زمانی مالی

هدف: به طور کلی سری های زمانی مالی مانند شاخص سهام، رفتار غیر خطی، بی ثبات و نویزی دارند. مدل های ساختاری و آماری و مدل های مبتنی بر یادگیری ماشین، اغلب توانایی پیش بینی دقیق سری هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره مندی از مزایای روش گروهی مدل سازی داده ها (GMDH) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) برای پیش بینی دقیق تر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است. روش: برای دستیابی به هدف پژوهش، از داده های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را به عنوان مدلی مقاوم در برابر داده های نویزی و نامانا برای پیش بینی به کار می گیرد و از الگوریتم بهینه سازی چند هدفه NSGA II برای کمینه سازی خطای پیش بینی و انتخاب متغیرهای ورودی بهینه استفاده می کند. یافته ها: نتایج به دست آمده از مدل ترکیبی ارائه شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیان کننده خطای کمتر و دقت پیش بینی بیشتر آن در مقایسه با مدل ARIMA برای داده های خارج از نمونه است.   نتیجه گیری: با توجه به یافته های تجربی می توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف پذیری و توانایی بیشتری برخوردار است.