مقاله مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی 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 مقاله مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران :

تعداد صفحات :۲۴

این مقاله با هدف معرفی یک الگوی مناسب جهت پیش­بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده­های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه­ی زمانی پنجم فروردین ۱۳۸۸ تا سی­ام آبان ۱۳۹۰ که مشتمل بر ۶۱۶ مشاهده بوده که جهت مجزا سازی پیش­بینی­های داخل نمونه­ای و خارج از نمونه­ای، از تقریباً ۹۰% از مشاهدات (۵۵۶ مشاهده) جهت تخمین ضرایب مدل و از مابقی (۶۰ مشاهده) جهت انجام پیش­بینی خارج از نمونه­ استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطیِ شبکه­ی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی)[i] و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشته­ی کسری)[ii]. یافته­های این پژوهش نشان می­دهد که مدل شبکه­ی عصبی مصنوعی پویا در پیش­بینی­های خارج از نمونه، بر اساس معیارهای محاسبه­ی خطای پیش­بینی میانگین مجذور خطا (MSE)[iii] و نیز معیار جذر میانگین مجذور خطا (RMSE)[iv]، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA می­باشند.

[r