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
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.