فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق بازار سهام یک مسئله چالش‌برانگیز و پیچیده برای تحلیلگران و تصمیم‌گیرندگان بازار است. در اغلب مطالعات گذشته، دقت روش‌های مختلف مورد بررسی قرار گرفته است، اما هنوز در مورد روش پیش‌بینی بهینه اتفاق‌نظر وجود ندارد. هدف اصلی مطالعۀ حاضر بررسی قابلیت مدل‌های سری‌های زمانی غیرخطی، مانند مدل‌های هموارسازی نمایی و رویکرد تغییر رژیم، در کنار روش باکس-جنکینز در پیش‌بینی بازده سهام است. داده‌ها شامل مشاهدات روزانۀ شرکت‌های اپل و مایکروسافت از سال 2024 تا 2025م. است. آزمون تراسوریتا-لین-گرنجر  رفتار آشوبناک فرآیند تولید داده‌ها را به اثبات رسانده است. رویکرد SETAR با مؤلفه GARCH و مدل ARMA با مؤلفه EGARCH برای کنترل اثر واریانس ناهمسان شرطی در سری‌های زمانی استفاده شده است که منجر به مدل‌های ترکیبی پویا می‌شود. علاوه‌بر این، با توجه به کاربرد گستردۀ روش‌های هوش مصنوعی، علاوه‌بر رویکرد هموارسازی نمایی (ES) به‌عنوان یک روش ناپارامتریک، یک شبکۀ پرسپترون چندلایه (MLP) نیز مورداستفاده قرار گرفته است که مبتنی‌بر الگوریتم پس‌انتشار خطا (FF-BP) است. پیش‌بینی‌ها در دو فرم درون نمونه‌ای و برون نمونه‌ای انجام شده و عملکرد مدل‌ها با استفاده از معیارهای خطای استاندارد ارزیابی می‌شود. درنهایت، از آزمون دایبولد-ماریانو برای تعیین معناداری تفاوت‌های پیش‌بینی بین مدل‌ها استفاده شده است. یافته‌ها نشان می‌دهند که سری‌های زمانی بازده سهام هر دو شرکت رفتاری آشوبناک داشته‌اند و روش‌های غیرخطی در مدل‌سازی آن‌ها مناسب‌تر هستند. روش هموارسازی نمایی از نظر اکثر معیارهای خطا در هر دو پیش‌بینی درون‌نمونه‌ای و برون‌نمونه‌ای، از مدل‌های  SETARMA-GARCH و ARMA-EGARCH بهتر عمل کرده است. با این‌حال، روش MLP براساس تمامی معیارهای خطا، بر مدل ES برتری داشته است. آمارۀ S تخمینی آزمون دایبولد-ماریانو، معناداری برتری رویکرد MLP را تأیید می‌نماید. این یافته‌ها، استفاده از روش‌های ناپارامتریک پویا را در مدل‌سازی و پیش‌بینی سری‌های زمانی منتخب پیشنهاد می‌کند؛ به‌عبارت دیگر، استفاده از روش‌های غیرخطی ناپارامتریک پویا در پیش‌بینی سری‌های مالی توصیه می‌شود.