بررسی کارایی و پیش‌بینی‌پذیری کالاهای صنعتی با رویکردهای بنیادین و تکنیکال

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، دانشگاه اصفهان.

2 استادیار، دانشگاه اصفهان.

چکیده

هدف این پژوهش، بررسی پیش­بینی‌پذیری قیمت سرب و کارایی این بازار در سطح ضعیف و معرفی یک الگوی مناسب برای پیش‌بینی قیمت سرب در بازار جهانی است. به‌این‌منظور مجموعه ­ای از روش‌های خطی و غیرخطی در دو رویکرد کلی تکنیکال و بنیادین استفاده شده‌‌ است. بررسی کارایی بازار سرب در سطح ضعیف نشان می‌دهد که این بازار در این سطح نیز کارا نیست و امکان پیش‌بینی قیمت وجود دارد. داده‌های استفاده‌شده در این پژوهش به‌‌صورت هفتگی جمع‌آوری شده و شامل بازه زمانی هفته اول 2005 الی هفته آخر 2015 است. این داده‌ها از سایت‌های مختلف، از‌جمله سایت LME، USGS و ILZSG جمع‌آوری شده‌ است. یافته‌های این پژوهش نشان می‌دهد که در رویکرد تکنیکال، مدل شبکه عصبی مصنوعی GMDH ترکیب‌شده با الگوریتم ژنتیک بر اساس معیارهایِ میانگین درصد خطای مطلق (MAPE) و جذر میانگین مجذور خطا (RMSE) دارای عملکرد بهتری نسبت به مدل‌های دیگر است؛ همچنین در رویکرد بنیادین بر اساس معیارهای خطای پیش‌بینی، شبکه عصبی مصنوعی GMDH بهترین عملکرد را داشته است. پیش‌بینی‌پذیری تغییرات قیمت سرب در بازار با الگوهای تکنیکال، نشان‌دهنده کارایی بازار در سطح ضعیف ‌است.

کلیدواژه‌ها


1. Abbaspour, M. (2002). Iran Khodro Stock Price Prediction using Neural Network, Tehran University of Technology, Faculty of Engineering, Shahid Beheshti University (in Persian).

2. Andonie, R. (2010). Extreme Data Mining: Inference from small Datasets. International Journal of Computers Communication & Control, 5, 280-291.

3. Atsalakis, G. S. (2016). Using computational intelligence to forecast carbon prices. Applied Soft Computing, 43, 107-116.

4. Azadeh A., Moghaddam, M., Khakzad, M., & Ebrahimipour, V. (2012). A flexible neural network-fuzzy mathematical programming algorithm for improvement of oil price estimation and forecasting. Computers & Industrial Engineering, 62(2), 421-430.

5. Demuth, H. B., Beale, M. H., De Jess, O., & Hagan, M. T. (2014). Neural network design. Martin Hagan.

6. Eberhart, R. C., & Kennedy, J. (1995). A new optimizer using particle swarm theory. In Proceedings of the sixth international symposium on micro machine and human science, 1, 39-43.

7. Fakhraei, H. (2007). Comparison of water demand forecasting using structural patterns, time series and, neural networks. Master's thesis, Faculty of Economics, University of Tehran (In Persian).

8. Fama, E. F. (1970). Efficient Capital Market: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383-417.

9. Fan, X., Wang, L., & Li, S. (2016). Predicting chaotic coal prices using a multi-layer perceptron network model. Resources Policy, 50, 86-92.                  

10. Farlow, S. J. (1981). The GMDH algorithm of Ivakhnenko. The American Statistician, 35(4), 210-215.

11. Fathabadi, Zahra and Basiri, Mohamma Hossein (2012). Copper price forecasting using the neural network, the first conference of Iranian Mining Technologies (in Persian).

12. Hejazi, S. H., & Saberi Ghamarposhti, M. (2016). Prediction Bahar Azadi full bodied gold coin price with neural network GMDH model, The First International Conference on the New Paradigms of Business Intelligence and Organizational Management, Tehran, Shahid Beheshti University (in Persian).

13. JahanKhani, A., & Parsaiyan, A. (1996). Tehran Stock Exchange. Tehran: Tehran University Press Faculty Publishing (In Persian).

14. Jones, C. P. (1996). Investment Analysis and Management, 4th Edition, John Willey and Sons. Inc, New York.

15. Kasabov, N. K. (1996). Foundations of neural networks, fuzzy systems, and knowledge engineering. Marcel Alencar.

16. Ljung, G. M. & Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2): 297-303.

17. Manavi, S. E., & Karimi, A. (2014). A New Approach in Data Mining to Forecasting metals Prices Based on Firefly Algorithm and Neural Network. National Conference on Computer Engineering Research (In Persian).

18. Mansourfar, Karim. (2006). Statistical Progress with Computer Programs. Tehran, University of Tehran: 173 (in Persian).

19. Moeini, A., Abrishami, H., & Ahrari M. (2015). GMDH Neural Network Application in Energy Economics. Azar Barzzin, First Printing, Tehran (In Persian).

20. Monfared, Soheil Almasi, and David Enke. (2014). Volatility Forecasting Using a Hybrid GJR-GARCH Neural Network Model,  Procedia Computer Science, 36, 246-253.

21. Morovvati Sharifabadi, A., & Khanche mehr, R. (2014). Find the most suitable artificial neural network structure using the Taguchi experiments design method. Journal of Industrial Management Percpective, 13: 121-142 (In Persian).

22. Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. NewYork: Institue of Finance.

23. Nazari, M., Tabatabaei Kaljahi, S. V., & Ahrari, M. (2013). Comparison of three methods of estimating the price of a computer in the Tehran market: pleasure regression (hedonic), Recursive neural network and GMDH neural network. Journal of Business Management Perspective, 13, 45-60 (In Persian)

24. Okanel baverman (2008). Time series prediction". Translation by Reza Shiva. Tehran: Institute of Business Studies and Research (in Persian).

25. Parchami, B., Nematzadeh, H., & Shahverdi, R. (2016). Prediction of stock return based on financial variables with the approach of neural networks, International Conference on Computer Engineering and Information Technology, Tehran, Permanent Secretariat of the Conference (In Persian).

26. Sadeghi, H., Sohrabi Vafa, H. & Noori, F. (2013). Applications of Neural Network Based on Genetic Algorithm for Long Term Energy Demand Forecasting. Journal of Applied Theories of Economics, 1(2), 29-52 (In Persian).

27. Shohadaei, M. A. (2007). Fundamental Analysis in the Capital Market. Tehran: Chalesh Publications (In Persian).

28. Thaghafi Kolvanegh, R. (2009). Evaluating the Effectiveness of Using Technical Analysis Patterns in Tehran Stock Exchange. Master's thesis. University of Esfahan. School of Administrative Sciences and Economics (In Persian).

29. ZivariPaydar, S., & Saberi Kamarposhti, M. (2016). Influence of Inflation and Steel Rate Changes on Vehicle stock Market Changes Using the GMDH Model Artificial Neural Networks, The First International Conference on the New Paradigms of Business and Organizational Management, Tehran, Shahid Beheshti University (In Persian).