پیش بینی برون نمونه ای

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده و سپس به وسیله شبکه عصبی پیش بینی شده است. مقایسه خطای پیش بینی مدل های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل های آریما و شبکه عصبی دارد. همچنین، مدل های شبکه عصبی قدرت پیش بینی کنندگی بهتری را نسبت به مدل های آریما نشان می دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می نماید.

بسیاری از پژوهش ها در علم مالی بر پیش بینی دقیق بازده شرکت ها با در نظر داشتن ریسک سرمایه گذاری در سهام آن ها تمرکز داشته اند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمت گذاری دارایی های سرمایه ای و بازده واقعی) بااستفاده ازنسبت های مالی وانتخاب ابزاربهتر برای پیش بینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفه های اصلی (PCA) وشبکه های عصبی مصنوعی(ANN) است. بر این اساس توانایی مدل شبکه های عصبی مصنوعی پیش خور با الگوریتم پس انتشار خطا (BPN) در پیش بینی برون نمونه ایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سال های 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفه های اصلی بوده است.