رحیم دهخوارقانی

پیش بینی قیمت سهام به عنوان یک فعالیت چالش برانگیز در پیش بینی سری های زمانی مالی درنظر گرفته می شود. پیش بینی صحیح قیمت سهام می تواند سود زیادی را برای سرمایه گذاران به بار آورد. باوجود تلاش‎های فراوانی که تا کنون برای این منظور انجام گرفته، موفقیت چندانی در این زمینه به دست نیامده است. با توجه به پیچیدگی داده های بازار بورس، توسعه مدل های کارآمد برای این پیش بینی بسیار دشوار است. در این مقاله، سعی در بررسی دقیق این مسأله و ارائه روشی کارآمد برای آن داریم. برای ارزیابی روش پیشنهادی در این مقاله، بازار سهام تهران به عنوان یک بازار واقعی موردبررسی قرار گرفته است. برای پیش بینی شاخص کل سهام تهران، از سامانه های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی(ANN ) و شبکه های عصبی فازی(ANFIS ) استفاده و سپس کارایی این مدل ها با مدل های کلاسیک خطی(ARIMA و SARIMA ) بررسی شده است. همچنین علاوه بر داده های شاخص کل، داده های تأثیرگذار دیگری شامل قیمت دلار آمریکا، قیمت طلا، قیمت نفت، شاخص صنعت، شاخص ارز شناور، شاخص بازار اول و دوم در طول حدود پنج سال اخیر نیز در نظر گرفته شده است. داده های این پژوهش به صورت هدفمند به عنوان ورودی به مدل های غیرخطی ANN و ANFIS داده می شوند. به عبارت دیگر، عمل انتخاب ویژگی توسط معیار تابع اطلاعات مشترک(MI ) و ضریب همبستگی خطی(CC ) انجام می گیرد؛ در نهایت، ویژگی هایی انتخاب می شوند که تأثیر بیشتری روی شاخص کل دارند. این عمل باعث می شود که داده های نامرتبط از مدل سازی حذف شوند که این کار، تأثیر به سزایی در نتایج مدل سازی خواهد داشت. در نهایت؛ همة مدل ها براساس معیار های رایج نیکویی برازش با همدیگر مقایسه می شوند تا بتوان به دید جامعی در مورد توانایی مدل های مورد نظر دست یافت. نتایج مدل سازی، بیان گر این است که انتخاب ویژگی ها با روش های MI و CCدر هر دو مدل ANFIS و ANN دقت پیشبینی شاخص را از منظر معیار ارزیابی Nash-Sutcliffe تا 55% افزایش می دهد. همچنین در تمامی پنج معیار ارزیابی، عملکرد ANFIS بر ANN برتری دارد.