دانش رسان |
مرکز علم و دانش کشور مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران :
نام کنفرانس، همایش یا نشریه : دانش مالی تحلیل اوراق بهادار (مطالعات مالی)
تعداد صفحات :۲۱
این مقاله با هدف معرفی یک الگوی مناسب جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه زمانی پنجم فروردین ۱۳۸۸ تا سی ام آبان ۱۳۹۰ که مشتمل بر ۶۱۶ مشاهده بوده که جهت مجزا سازی پیش بینی های داخل نمونه ای و خارج از نمونه ای، از تقریبا ۹۰% از مشاهدات (۵۵۶ مشاهده) جهت تخمین ضرایب مدل و از مابقی (۶۰ مشاهده) جهت انجام پیش بینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطی شبکه عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی) و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشته کسری). یافته های این پژوهش نشان می دهد که مدل شبکه عصبی مصنوعی پویا در پیش بینی های خارج از نمونه، بر اساس معیارهای محاسبه خطای پیش بینی میانگین مجذور خطا (MSE) و نیز معیار جذر میانگین مجذور خطا(RMSE) ، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA می باشند.
کلید واژه: پیش بینی، بازار بورس، مدل ARFIMA، مدل NNAR
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
