نویسندگان

• مریم هاشم پور ¹
• رضا راعی ²
• محمدرضا رستمی ³

¹ دانشجوی کارشناسی ارشد مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران ، ایران

² استاد گروه مدیریت، دانشکده مدیریت ، دانشگاه تهران، تهران، ایران

³ استادیار گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران

چکیده

وجود روش‌های مناسب پیش‌بینی روندهای آینده بازار سرمایه منجر به تصمیم‌گیری‌های بهتری از جانب فعالان این بازارها خواهد شد. اغلب به دلیل ماهیت غیر‌ خطی و آشوب‌گونه بازارهای مالی مدل‌های کلاسیک پیش‌بینی عملکرد مطلوبی نداشته و اطلاعات موجود در داده‌ها با گذشت زمان به‌سرعت از بین رفته و در این صورت استفاده از آن‌ها در بلند‌مدت مفید نخواهد بود ]1، ص 64[.
هدف این مقاله به کار بردن الگوریتم بهینه‌سازی کلونی مورچگان برای پیش‌بینی شاخص کل بورس اوراق بهادار تهران است. برای به کاربردن الگوریتم نخست با به‌کارگیری آزمون بزرگ‌ترین نمای لیاپانوف ماهیت آشوبی داده‌های شاخص کل بورس مورد بررسی قرارگرفت، سپس با به‌کارگیری الگوریتم بهینه‌سازی کلونی مورچگان نقاط جاذب تحلیل و‌ در‌نهایت با استخراج دنباله‌های اعداد منتهی به نقاط جاذب پیش‌بینی انجام شد.
در پایان مقایسه نتایج پیش‌بینی با استفاده از آماره‌های سنجش خطا تأیید کرد که الگوریتم مبنی بر بهینه‌سازی کلونی مورچگان داده‌ها را به‌خوبی و با کمترین خطا نسبت به مدل‌های گارچ تخمین می‌زند ، البته نتایج بررسی با استفاده از آماره دایبولد ماریانو برابری نتایج پیش‌بینی را رد نکرد. الگوریتم ارائه شده این مقاله با تفکیک دنباله‌های جاذب روشی ساختارمند برای پیش‌بینی سیستم ‌های آشوبی ارائه می‌دهد، بنابراین انتظار می‌رود که در بلند‌مدت و در پیش‌بینی‌های با نوسان‌های زیاد نتایج قابل قبولی ارائه دهد.
 
 

کلیدواژه‌ها

• بهینه‌سازی کلونی مورچگان
• آشوب
• دنباله‌های جاذب

عنوان مقاله [English]

Prediction of Tehran Stock Exchange using Ant Colony Optimization

نویسندگان [English]

• maryam hashempour ¹
• reza raee ²
• mohammadreza rostami ³

چکیده [English]

 
Appropriate methods for prediction of future trends in capital markets lead to a better decision making for market participants. Classic methods don not perform well in prediction of financial markets due to the nonlinear and chaotic nature of these markets. Moreover, information extracted from data disappear quickly, so these method are not workable in the long run.
The goal of this paper is using ant colony optimization algorithm for prediction of Tehran Stock Exchange's total return index (TEDPIX) data. First, we used the largest Lyapunov exponent to the consider chaotic nature of TEDPIX and then the ant colony optimization paradigm we employed to analyze topological structure of the attractor behind the given time series and to single out the typical sequences corresponding to the different parts of the attractor. The typical sequences were used to predict the time series values.
Eventually with respect to MSE , RMSE and MAE, ACO has lower error than GARCH and EGARCH models; however, Diebold Marino test shows that there is no difference if we use ACO or GARCH models for prediction; this represents that differences of error for different models in this article are very little. This article with detachment of typical sequences allows a structural method for prediction of chaotic data. So in prediction of data with many fluctuations and in long term, it can result to a better predictions. The algorithm of this paper is able to provide robust prognosis to the periods comparable with the horizon of prediction.
 
Keywords

کلیدواژه‌ها [English]

• : Ant Colony Optimization (ACO)
• Chaos
• Typical Sequences