فهرست نشریات علمی دسترسی آزاد ایران

هدف: به‎طور کلی سری‌های زمانی مالی مانند شاخص سهام، رفتار غیر‌خطی، بی‌ثبات و نویزی دارند. مدل‌های ساختاری و آماری و مدل‌های مبتنی بر یادگیری ماشین، اغلب توانایی پیش‌بینی دقیق سری‌هایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهره‌مندی از مزایای روش گروهی مدل‎سازی داده‌ها (GMDH) و الگوریتم ژنتیک با مرتب‌سازی نامغلوب (NSGA II) برای پیش‌بینی دقیق‎تر روند حرکت و تغییرات شاخص کل بورس اوراق ‌بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است. روش: برای دستیابی به هدف پژوهش، از داده‌های شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را به‎عنوان مدلی مقاوم در برابر داده‌های نویزی و نامانا برای پیش‌بینی به‎کار ‌می‎گیرد و از الگوریتم بهینه‌سازی چند‌هدفه NSGA II برای کمینه‌سازی خطای پیش‌بینی و انتخاب متغیرهای ورودی بهینه استفاده می‌کند. یافته‎ها: نتایج به‎دست آمده از مدل ترکیبی ارائه‌شده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیان‎کننده خطای کمتر و دقت پیش‎بینی بیشتر آن در مقایسه با مدل ARIMA برای داده‌های خارج از نمونه است.   نتیجه‎گیری: با توجه به یافته‎های تجربی می‌توان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطاف‌پذیری و توانایی بیشتری برخوردار است.