ارائه مدلی برای پیش‌بینی سری زمانی قیمت های نویزدار سهام با استفاده از تحلیل طیف تکین، رگرسیون بردار پشتیبان بهمراه بهینه‌سازی ازدحام ذرات و مقایسه آن با عملکرد مدل های تبدیل موجک، شبکه عصبی، فرآیند میانگین متحرک خودرگرسیون و رگرسیون چندجمله‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه حسابداری، دانشکده شهید رجایی، دانشگاه فنی و حرفه‌ای، خراسان رضوی، ایران

2 گروه حسابداری، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران

3 گروه حسابداری،دانشکده علوم انسانی، دانشگاه بجنورد، بجنورد ، ایران

4 گروه اقتصاد، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران

چکیده

در این پژوهش مدلی برای تحلیل و پیش‌بینی سری زمانی مالی نویزدار قیمت سهام با استفاده از تحلیل طیف تکین و رگرسیون بردار پشتیبان همراه با بهینه‌سازی ازدحام ذرات ارائه شده است. بدین صورت که سری زمانی قیمت بسته ‌شده 140 سهم از شرکتهایی در صنایع مختلف در هر دقیقه در روز برای دوره‌ای از 28 اردیبهشت تا 11 خرداد برای سال های 1392 تا 1398 بصورت جداگانه از بورس اوراق بهادار تهران مورد بررسی قرار گرفت. همچنین عملکرد مدل پیشنهادی با عملکرد چهار مدل تبدیل موجک همراه با شبکه عصبی، فرآیند میانگین متحرک خود رگرسیون، رگرسیون چندجمله‌ای و مدل نایو مقایسه شد. از میانگین خطای مطلق، میانگین درصد خطای مطلق، و میانگین ریشه مربعات خطا به عنوان معیارهای اصلی عملکرد استفاده گردید. نتایج نشان می دهد که عملکرد مدل ارائه شده برای تحلیل و پیش‌بینی سری زمانی مالی نویزدار بر اساس میانگین خطای مطلق، میانگین درصد خطای مطلق و میانگین ریشه مربعات خطا، بهتر از مدل های دیگر(شامل: تبدیل موجک، میانگین متحرک خود رگرسیون، رگرسیون چندجمله‌ای، مدل نایو) است.

کلیدواژه‌ها


عنوان مقاله [English]

Provide a model for predicting noisy stock price time series using singular spectrum analysis, support vector regression with particle swarm optimization and compare it with the performance of wavelet transform, neural network, moving average self-regression process and polynomial regression

نویسندگان [English]

  • Shaban Mohammadi 1
  • Hadi Saeidi 2
  • abdolhosein talebi najafabadi 3
  • ghasem elahi shirvan 4
1 Department of Accounting, Shahid Rajaei College, Technical and Vocational University, Khorasan Razavi, Iran
2 Department of Accounting, Shirvan Branch, Islamic Azad University, Shirvan, Iran
3 Department of Accounting, Faculty of Humanity Sciences, University of Bojnord, Bojnord, Iran.
4 Department of Economy, Shirvan Branch, Islamic Azad University, Shirvan, Iran
چکیده [English]

In this research, a model for analyzing and predicting the noisy financial time series of stock prices using singular spectrum analysis and support vector regression along with particle swarm optimization is presented. Thus, the time series of closed prices of 140 shares of companies in different industries per minute per day for the period from 28 May to 11 June for the years 1392 to 1398 was examined separately from the Tehran Stock Exchange. Also, the performance of the proposed model was compared with the performance of four wavelet transform models with neural network, moving average regression process, polynomial regression and naïve model. Mean absolute error, mean absolute error percentage, and mean square root of error were used as the main performance criteria. The results show that the performance of the proposed model for analyzing and predicting noisy financial time series based on mean absolute error, mean absolute error percentage and mean square root of error is better than other models (including: wavelet transform, moving average self-regression, regression Polynomial is the naïve model).

کلیدواژه‌ها [English]

  • Wavelet Transform
  • particle swarm optimization
  • naïve model
  • noisy price time series