این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات حسابداری و حسابرسی، جلد ۶، شماره ۲۱، صفحات ۱۲۸-۱۴۰
عنوان فارسی مقایسه عملکرد مدلهای شبکه عصبی مصنوعی واتورگرسیون برداری در پیش بینی شاخص قیمت و بازده نقدی
چکیده فارسی مقاله هدف این مقاله تجزیه و تحلیل های اقتصادی، پیش بینی صحیح و دقیق متغیرهای اقتصادی است. در این زمینه، روشهای مختلفی برای پیش بینی در اقتصاد وجود دارد، که از جمله آنها میتوان به مدلهای رگرسیون ، معادلات همزمان و... اشاره کرد. مدلهای سری زمانی نیز از جمله مدلهای اقتصادی می باشند که در آن پیش بینی مقادیر سری، بیش از هر چیز به عهده خودشان گذاشته می شود اما استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصاً غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضاً غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است و با مدل­های ساختاری و سری زمانی مانند اتورگرسیون برداری مقایسه گردیده است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران مابین سال های 1385 تا 1390 استفاده شده است. خلاصه نتیجه گیری و پیشنهادات حاکی از آن است که مدل شبکه های عصبی مصنوعی از عملکرد بهتری در پیش بینی مقادیر متغیرها برخوردار است .
کلیدواژه‌های فارسی مقاله شبکه های عصبی، مدلهای اتورگرسیو، شاخص نقدی و قیمت،
عنوان انگلیسی Comparison of neural networks and Auto regression performance in prediction of Dividend and Price Index
چکیده انگلیسی مقاله This paper present two models for short and long term stock price forecasting using Artificial Neural Networks and Vector Auto regression analyses as complementary methods. Presented models also will be able to forecast the stock price of future day. The models forecast the stock price of future day with using of previous stock price information. In presented models, it is possible to use the calendar parameters, like the day of week, special days and etc to forecast the stock price. A major contribution of this work is the resulting time-delayed artificial neural network model that allows stock return predictions and is particularly useful as an investment decision support system for hedge funds and other investors, whose portfolios are at risk of losing market value. After designing mentioned models, and specifying construction of multi-layer perception neural network, designed network is trained using available data. Presented method for training the perception neural network is, Error back propagation algorithm, which has variable learning rate and momentum factor, and also is fast. Finally, the models have been applied on Tehran-stock Exchange Price Index (TEPIX) and Tehran- stock Exchange-Dividend and Price Index (TEDPIX) and result are compared together and advantages and disadvantages of these models are described. The results show validity of presented models.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مولود فامیلیان |
عضو هیات علمی دانشگاه شریعتی

سیما یزدانی |
دانشجوی دکتری حسابداری دانشگاه تهران

نشانی اینترنتی http://www.iaaaar.com/article_104403_5e37f19e20f94cc37e57f245381f5faa.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/696/article-696-2312360.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات