دانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Arrival Dynamics of Informed and Uninformed Traders into Tehran Stock Exchangeپویاییهای ورود معاملهگران مطلع و نامطلع به بورس تهران2652886860710.22059/frj.2018.253001.1006616FAمحسنمهرآرااستاد، گروه اقتصاد، دانشگاه تهران، تهران، ایران0000-0002-2685-8561حبیبسهیلی احمدیدانشجوی دکتری، گروه اقتصاد، دانشگاه تهران، تهران، ایران.0000-0003-0356-8868Journal Article20180218<strong>Objective:</strong> The aim of this study is to model arrival process of informed and uninformed traders into Tehran Stock Exchange (TSE) as well as to assess the interaction between two types of traders which is an important yet neglected topic.
<strong>Methods:</strong> In this study, a sequential trade model was estimated based on trading data of 33 stocks belonging to 11 industries of TSE during the period from 2013 to 2016 using Nelder-Mead algorithm.
<strong>Results:</strong> In TSE, an unexpected rise in unbalanced trades in current single day increases the expected arrival rate of both types of traders in the next day. The arrival rate of informed traders shows lower persistence compared to that of uninformed traders in the TSE. In addition, it showed negligible sensitivity to trading intensity. The presence of informed traders doesn't necessarily lead to a decrease in the number of uninformed traders in the TSE<strong><em>.</em></strong>
<strong>Conclusion:</strong> Similar to previous studies about stock markets in different countries, the presence of informed traders in TSE mainly depends upon their information-related advantages. Unlike most prior studies, the arrival rate of uninformed traders in TSE is not significantly affected by the arrival rate of informed traders.<strong>هدف:</strong> مدلسازی فرایند ورود معاملهگران مطلع و نامطلع به بورس تهران و بررسی برهمکنش این دو گروه معاملهگران در بازار که با وجود اهمیت آن تا کنون مغفول مانده، هدف اصلی این مطالعه است.
روش: در این پژوهش، مدل معاملات متوالی بر مبنای دادههای معاملات 33 شرکت از 11 صنعت بورس اوراق بهادار تهران در سالهای 1392 تا 1395 و با استفاده از الگوریتم نلدر ـ مید تخمین زده شد.
یافتهها: در بورس تهران، افزایش پیشبینی نشده معاملات نامتوازن در یک روز، مقدار انتظاری ورود هر دو گروه معاملهگران به بازار در روز آتی را افزایش میدهد. مقدار ورود معاملهگران مطلع در قیاس با معاملهگران نامطلع پایداری کمتری نشان میدهد. به علاوه، این مقدار تأثیرپذیری اندکی از رونق معاملات دارد. همچنین، افزایش حضور معاملهگران مطلع لزوماً تعداد معاملهگران نامطلع در بازار را کاهش نمیدهد.
نتیجهگیری: مشابه یافتههای پیشین در بازار کشورهای دیگر، در بورس تهران حضور معاملهگران مطلع بهطور عمده تابع مزیتهای اطلاعاتی آنهاست، اما برخلاف نتایج اغلب مطالعات پیشین، با افزایش حضور معاملهگران مطلع، تمایل معاملهگران نامطلع برای مشارکت در بورس اوراق بهادار تهران لزوماً کاهش نمییابد.
https://jfr.ut.ac.ir/article_68607_5be26369825b158e267915d5a1a3d49b.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Applying Combined Approach of Sequential Floating Forward Selection and Support Vector Machine to Predict Financial Distress of Listed Companies in Tehran Stock Exchange Marketاستفاده از روش ترکیبی انتخاب ویژگی پیدرپی پیشرو شناور و ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران2893046860910.22059/frj.2018.113928.1005868FAسعیدفلاح پوراستادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران0000-0002-5442-5958رضاراعیاستاد، گروه مدیریت مالی، دانشکده مدیریت دانشگاه تهران، تهران، ایران0000000348655316عیسینوروزیاندانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشگاه تهران، تهران، ایرانJournal Article20141220<strong>Objective:</strong> Nowadays, financial distress prediction is one of the most important research issues in the field of risk management that has always been interesting to banks, companies, corporations, managers and investors. The main objective of this study is to develop a high performance predictive model and to compare the results with other commonly used models in financial distress prediction
<strong>Methods:</strong> For this purpose, sequential floating forward selection that is considered as the generalized form of sequential forward selection method and as one of the wrapper methods, and sequential forward selection methodin combination with support vector machine were used. These models are combined models of feature selection and classifier. Logistic regression model which is a statistical classification models, has also been used in the present study.
<strong>Results:</strong> After reviewing the important financial ratios, 29 financial ratios that were mostly used in previous researches were chosen. Paired T-test results showed thatwith a 95% confidence level. The proposed model provides higher accuracy than other models used in this study.
<strong>Conclusion:</strong> Results showed that the proposed model of this research has significantly better performance in predicting financial distress than the sequential forward selection method and Logistic regression model in one year, two years and three years before financial distress.<strong>هدف:</strong> پیشبینی درماندگی مالی شرکتها، یکی از مهمترین مسائل تحقیقاتی در حوزه مدیریت ریسک بوده و همواره در کانون توجه بانکها، شرکتها، مدیران و سرمایهگذاران قرار داشته است. هدف اصلی این پژوهش ارائه یک مدل پیشبینی کننده با عملکرد بالا و مقایسه نتایج بهدست آمده از آن با سایر مدلهای رایج در پیشبینی درماندگی مالی است.
روش: به همین منظور از روشهای انتخاب ویژگی پیدرپی پیشرو شناور که مدل تعمیمیافته روش انتخاب ویژگی پیشرو پیدرپی بوده و از دسته روشهای پوششدهنده است و روش انتخاب ویژگی پیشرو پیدرپی در ترکیب با ماشین بردار پشتیبان استفاده شد. این مدلها از نوع مدلهای ترکیبی انتخاب ویژگی و طبقهبندی کننده هستند. همچنین در این پژوهش از مدل رگرسیون لجستیک که یکی از مدلهای آماری طبقهبندی است نیز استفاده شده است.
یافتهها: پس از بررسی نسبتهای مالی مهم در نهایت 29 نسبت مالی که در تحقیقات گذشته بیشتر استفاده شده بودند، انتخاب گردیند. آزمون مقایسات زوجی نشان میدهد که دقت مدل پیشنهادی این پژوهش با سطح اطمینان 95 درصد بهتر از دیگر مدلهای استفاده شده در این پژوهش میباشد.
<strong>نتیجه</strong><strong></strong><strong>گیری:</strong> نتایج نشان داد که مدل پیشنهادی این تحقیق در یک سال، دو سال و سه سال قبل از درماندگی مالی به طور معناداری از عملکرد بهتری در پیشبینی درماندگی مالی نسبت به روش انتخاب ویژگی پیشرو پی درپی و مدل رگرسیون لجستیک برخوردار است.https://jfr.ut.ac.ir/article_68609_c1e394839433ecf33e259418cf729bfb.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Explaining Accrual Anomaly Using Multi-factor Pricing Model in Tehran Stock Exchangeتبیین ناهنجاری اقلام تعهدی با استفاده از مدل قیمتگذاری چند عاملی در بورس اوراق بهادار تهران3053266861010.22059/frj.2018.261339.1006690FAمیثمعرب زادهدانشجوی دکتری، گروه حسابداری، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایرانداریوشفروغیدانشیار، گروه حسابداری، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایرانهادیامیریاستادیار، گروه اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایرانJournal Article20180702<strong>Objective</strong><strong>:</strong> The main objective of this research is to explain the accrual anomaly using accruals factor (CMA) and accrual-based factor-mimicking portfolios as well as checking whether accrual anomaly is risk-based or mispricing. According to rational frictionless asset pricing model, the ability of accruals to predict returns should come from the loadings on this accrual factor loading that predicts returns.
<strong>Methods</strong><strong>:</strong> In this research, to test the hypotheses of time series regression and also, the four-factor pricing model is used to analyze accrual anomaly.
<strong>Results</strong><strong>:</strong>Our tests showed that it is the accrual characteristic rather than the accrual factor loading that predicts returns. These results indicated that investors evaluate the accrual characteristic in an incorrect manner and cause doubts on the rational risk explanation
<strong>Conclusion</strong><strong>:</strong> We can conclude that there is a relationship between accruals and returns, and this comovement is attributed to mispricing of investors<strong>. </strong>In other words, accrual anomaly results from mispricing.<strong>هدف:</strong> هدف اصلی از اجرای این پژوهش، تحلیل ناهنجاری اقلام تعهدی با استفاده از عامل اقلام تعهدی (CMA) و پرتفویهای ساختگی عاملی مبتنی بر اقلام تعهدی است. همچنین در این پژوهش بررسی میشود که ناهنجاری اقلام تعهدی برگرفته از ریسک است یا از قیمتگذاری نادرست نشئت میگیرد. بر اساس تئوریهای پشتوانه مدلهای قیمتگذاری داراییهای منطقی، توانایی اقلام تعهدی در پیشبینی بازده باید برگرفته از ضرایب پرتفویهای ساختگی عاملی مبتنی بر اقلام تعهدی باشد، نه ویژگی اقلام تعهدی.
<strong>روش:</strong> در این پژوهش فرضیهها بهکمک رگرسیون سری زمانی آزمون شدهاند و برای تحلیل ناهنجاری اقلام تعهدی از مدل قیمتگذاری چهار عاملی هیرشلیفر استفاده شده است.
<strong>یافته</strong><strong></strong><strong>ها:</strong> بر اساس نتیجه آزمونهای انجام شده، ویژگی اقلام تعهدی به جای ضریب عامل اقلام تعهدی، بازده را پیشبینی میکند. این نتایج نشان میدهد سرمایهگذاران ویژگی اقلام تعهدی را بهطور نادرست ارزیابی میکنند و سبب میشوند تفسیر ریسک منطقی با تردید مواجه شود.
<strong>نتیجه</strong><strong></strong><strong>گیری:</strong> بین اقلام تعهدی و بازده سهام همگرایی وجود دارد و این همگرایی به قیمتگذاری نادرست سرمایهگذاران نسبت داده میشود. به بیان دیگر، ناهنجاری اقلام تعهدی برگرفته از قیمتگذاری نادرست است.
https://jfr.ut.ac.ir/article_68610_e45b9fb651e7eb22b53c0ef094c3473d.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Investigating Some of Effective Factors on Spoofing Manipulation in Iranian Stock Marketبررسی و تحلیل تأثیر برخی عوامل مؤثر بر دستکاری قیمت در بازار سهام ایران3273426861110.22059/frj.2018.260795.1006685FAمحمدندیریاستادیار، گروه مدیریت مالی،دانشکده مدیریت و حسابداری، دانشگاه تهران، تهران، ایران0000-0003-1655-3489سیدمحمدعلوی نسباستادیار، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه تهران، تهران، ایرانمسلمپیمانیاستادیار، گروه مدیریت مالی و بانکداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایرانریحانهربیعیدانشجوی دکتری، گروه حقوق مالی، دانشگاه تهران، تهران، ایرانJournal Article20180624<strong>Objective</strong><strong>:</strong> There is a large theoretical literature regarding stock market manipulation. However, empirical evidence of manipulation remains scare especially in emerging markets like Iran. So, it is vital to detect and prevent. Manipulation distorts prices, thereby reducing market efficiency and harms public confidence. Distorted prices increase market volatility and risk. This study empirically investigates which firms are more susceptible to successful deceptive manipulation.
<strong>Methods</strong><strong>:</strong> We collect the data set consisting of manipulation cases of entering spoofing order in Iranian stock market in two periods. In the first three-month period, the index was downward and in the second one, it was upward. Panel Logit regression was used to determine and interpret results.
<strong>Results</strong><strong>:</strong> The regression results showed that small firms, with high trade volume, low information transparency, high information asymmetry and high volatility are more prone to stock price manipulation. Indeed, there is an inverse relationship between manipulation and fluctuation index.
<strong>Conclusion</strong><strong>:</strong> Index change is an effective variable on stock manipulation. Manipulation is more probable in bear market, because most of the stocks are upward in bullish markets and there are fewer motives for stock manipulation.
<strong>هدف:</strong> در پژوهشهای بسیاری به بحث دستکاری قیمت بهصورت نظری پرداخته شده، اما شکل تجربی این بحث بهویژه در بازارهای نوظهور همانند ایران، کمتر بررسی شده است. از این رو، توجه به این موضوع و شناسایی راههای پیشگیری از آن، ضروری است. این پدیده سبب تغییر غیرطبیعی قیمت سهام شرکتها شده و به بیاعتمادی بین سرمایهگذاران منجر میشود. تغییرات غیرطبیعی قیمت سهام، به افزایش نوسانهای بازار سهام و ریسک بیشتر آن منجر میشود. در این پژوهش بهطور تجربی به بررسی و شناسایی شرکتهای مستعد دستکاری قیمت در بازار سرمایه ایران پرداخته شده است.
روش: برای اجرای این پژوهش از نمونههای دستکاری قیمت به روش ورود سفارش اغواکننده در بازار سهام ایران برای دو دوره سه ماهه (یک دوره صعودی شاخص و یک دوره نزولی) استفاده شده است. روشی که برای آزمون و تجزیه و تحلیل دادهها بهکار رفته، رگرسیون پنل لاجیت است.
یافتهها: نتایج نشان میدهد شرکتهای کوچک با حجم معاملات بالا، شفافیت اطلاعاتی اندک، نوسان بازدهی بالا و با سابقه دستکاری در گذشته، برای دستکاری قیمت مستعدترند. همچنین دستکاری قیمت با تغییرات شاخص بازار رابطه معکوس دارد.
نتیجهگیری: تغییرات شاخص بازار متغیر تأثیرگذاری بر احتمال دستکاری قیمت است. احتمال وقوع دستکاری قیمت در بازارهای رکودی، بهدلیل مشکل بودن کسب بازدهی در آنها، بیشتر است، زیرا در بازارهای صعودی که اغلب سهمها با رشد قیمت مواجه میشوند، انگیزه کمتری برای این نوع اقدامات وجود دارد.https://jfr.ut.ac.ir/article_68611_82bab97f3235da26739279779652337e.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Transparency & Quality: The Impact of Increasing Limit Order Book levels on Tehran Stock Exchangeشفافیت و کیفیت: اثر افزایش سطوح دفتر سفارشهای محدود بر کیفیت بورس اوراق بهادار تهران3433646861210.22059/frj.2018.258078.1006662FAمهدیحیدریاستادیار، گروه مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایرانمحمد حسینصباغ زادهکارشناس ارشد، گروه مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایرانJournal Article20180516<strong>Objective:</strong> One of the common tools used to make pre-trade transparency in financial markets is the Limit Order Book. In spite of several researches on the Limit Order Book, there is no consensus about the impact of increasing pre-trade transparency on market quality. Increasing the number of Limit Order Book levels from 3 to 5 levels, in May 2017, for online traders in Tehran Stock Exchange, gave us the opportunity to study the issue.
<strong>Methods:</strong> In this paper, based on the even study, we examined the impact of transparency of Limit Order Book on market quality using Quoted Spread, Effective Spread, Market Depth and Return Standard Deviation.
<strong>Results:</strong> According to the results, after increasing the number of Limit Order Book levels in Tehran Stock Exchange, there was a significant decrease among all of the selected criteria with the exception of Market Depth.
<strong>Conclusion:</strong> The results indicated that increasing the number of Limit Order Book’s levels for online traders in Tehran Stock Exchange led to deterioration in the market quality.<strong>هدف:</strong> یکی از ابزارهای رایج برای ایجاد شفافیت قبل از معامله در بازارهای مالی، دفتر سفارشهای محدود است. با اینکه در زمینه دفتر سفارشهای محدود مطالعات متعددی صورت گرفته، هنوز در خصوص اثر افزایش شفافیت قبل از معامله بر کیفیت بازار (نقدشوندگی و عمق بازار) اجماع نظری وجود ندارد. افزایش تعداد سطوح دفتر سفارشهای محدود از 3 پله به 5 پله برای معاملهگران برخط بورس اوراق بهادار تهران در اردیبهشت ماه سال 1396، این فرصت را بهوجود آورد که به بررسی این موضوع در بورس تهران پرداخته شود.
روش: در این پژوهش با استفاده از معیارهای اسپرد مظنه، اسپرد مؤثر، عمق بازار و انحراف معیار بازدهی، اثر شفافیت دفتر سفارشهای محدود بر کیفیت بازار بر اساس رویکرد مطالعات رویدادی، بررسی شده است.
یافتهها: بر مبنای یافتههای پژوهش، پس از افزایش تعداد سطوح دفتر سفارشهای محدود در بورس تهران، تمام معیارهای انتخاب شده، به جز عمق بازار با کاهش معناداری روبهرو بودهاند.
نتیجهگیری: نتایج بهدست آمده از بررسی معیارهای کیفیت بازار نشان میدهد افزایش شفافیت دفتر سفارشهای محدود برای معاملهگران برخط در بورس ایران، به کاهش کیفیت بازار منجر شده است.
https://jfr.ut.ac.ir/article_68612_b3c91cd2c98dc2263644248940097a80.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122Analysis of Realized Volatility in Tehran Stock Exchange using Heterogeneous Autoregressive Models Approachتحلیل رفتار متغیر تلاطم تحققیافته در بورس اوراق بهادار تهران مبتنی بر رهیافت مدلهای خودرگرسیونی ناهمگن3653886861310.22059/frj.2018.255568.1006657FAمجیدمیرزاییاستادیار، گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران. ایرانJournal Article20180505<strong>Objective: </strong>The present study aims atinvestigating the behavior of realized volatility for high-frequency data of Tehran Stock Index from April28<sup>th</sup>, 2012 to August 8<sup>th</sup>, 2018.
<strong>Methods:</strong> Three different types of HAR models including of HAR-RV-CJ, HAR-RV and HAR-RVJ were used to analyze the Realized Volatility.
<strong>Results: </strong>The obtained results of three diverse models revealed that the estimated Realized Volatility in market was described appropriately by the traders who work daily and in the framework of HAR-RVJ model. Moreover, based on the Heterogeneous Market Hypothesis, we found out that in comparative performance for all of time horizons in this study, the results of four evaluative criteria (including of MSE, RMSE and etc.) in HAR-RVJ model is lower than HAR-RV-CJandHAR-RV.
<strong>Conclusion:</strong> The in-sample forecasting performance of HAR-RVJ, in relation to Future Volatility of Tehran Stock Exchange Index, was better than the results we obtained from the alternative models in the study (HAR-RVandHAR-RV-CJ) and the best scores were observed among all the criteria. In addition, for the out-of-sample analysis, the simple HAR-RV model had superiority over the other two models only in the Monthly time horizon.<strong>هدف:</strong> هدف این پژوهش، بررسی رفتار متغیر تلاطم تحققیافته در ارتباط با دادههای با فراوانی زیاد شاخص سهام بورس اوراق بهادار تهران، در فاصله زمانی 9 اردیبهشت 1391 تا 17 مرداد 1397 است.
روش: برای دستیابی به هدف پژوهش و تحلیل و بررسی رفتار متغیر تلاطم تحققیافته، از سه گونه مختلف مدلهای خودرگرسیونی ناهمگن، شامل HAR-RV-CJ، HAR-RV و HAR-RVJ استفاده شده است.
یافتهها: نتایج بهدست آمده از سه مدل مختلف نشان میدهد که تلاطم تحققیافته تخمینی در بازار، به نحو مطلوبی از طریق معاملهگرانی که بهصورت روزانه و در چارچوب مدل HAR-RVJ فعالیت میکنند، توضیح داده شده است. علاوه بر این، منبعث از فرضیه مشهور بازار ناهمگن، درمییابیم که در مقایسه عملکردی تمام افقهای زمانی مطالعه، مقادیر مربوط به چهار معیار ارزیابی (شامل RMSE، MAE و غیره) در مدل فوق از مدلهای HAR-RV-CJ و HAR-RV کمتر است.
نتیجهگیری: عملکرد پیشبینی درون نمونهای در مدل HAR-RVJ و در ارتباط با متغیر تلاطم آتی شاخص بورس اوراق بهادار تهران، از آنچه در مدلهای HAR-RV و HAR-RV-CJ بهدست آمده است، بهتر بوده و بین تمام معیارها بیشترین امتیاز را کسب کرده است. همچنین در حالت بررسی برون نمونهای نیز باید گفت که فقط در افق زمانی ماهانه، مدل ساده HAR-RV نسبت به دو مدل دیگر برتری داشته است.
https://jfr.ut.ac.ir/article_68613_7e3c1f21ec05bbd1a2fcabb960c1ebf1.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815320320181122An Improved Hybrid Model with Automated Lag Selection to Forecast Stock Marketارائه یک مدل ترکیبی بهبودیافته با انتخاب وقفههای خودکار برای پیشبینی بازار سهام3894086861410.22059/frj.2018.257176.1006656FAمعیننیکوسخنکارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران0000-0001-7252-8830Journal Article20180503<strong>Objective:</strong> In general, financial time series such as stock indexes have nonlinear, mutable and noisy behavior. Structural and statistical models and machine learning-based models are often unable to accurately predict series with such a behavior. Accordingly, the aim of the present study is to present a new hybrid model using the advantages of the GMDH method and Non-dominated Sorting Genetic Algorithm II (NSGA II) to, more accurately, predict the trend of movement and volatility of Tehran Stock Exchange Price Index, and to compare its ability with the ARIMA model based on RMSE, MAPE, and TIC error assessment criterions.
<strong>Methods:</strong> For this purpose, the data of Tehran Stock Exchange Dividend and Price Index (TEDPIX) was used during the period of October 2008 to September 2013. The hybrid model NSGA II - GMDH utilizes the GMDH network as a model resistant to non-stationary and noisy data for prediction and uses the NSGA II multi-objective optimization algorithm to minimize predictive error and select the optimal input variables.
<strong>Results:</strong> The results of the proposed hybrid model in this study indicated a lower error and more prediction accuracy compared to ARIMA model for out-of-sample data based on all three error criterions.
<strong>Conclusion:</strong> The empirical findings of the study showed that the proposed model has higher flexibility and capability in covering unstable changes in the total index movement trend.
<strong>هدف:</strong> بهطور کلی سریهای زمانی مالی مانند شاخص سهام، رفتار غیرخطی، بیثبات و نویزی دارند. مدلهای ساختاری و آماری و مدلهای مبتنی بر یادگیری ماشین، اغلب توانایی پیشبینی دقیق سریهایی با این گونه رفتار را ندارند. بر این اساس، هدف تحقیق حاضر، ارائه یک مدل ترکیبی جدید با بهرهمندی از مزایای روش گروهی مدلسازی دادهها (GMDH) و الگوریتم ژنتیک با مرتبسازی نامغلوب (NSGA II) برای پیشبینی دقیقتر روند حرکت و تغییرات شاخص کل بورس اوراق بهادار تهران و مقایسه توانایی آن با مدل ARIMA بر اساس معیارهای سنجش خطا شامل RMSE، MAPE و TIC است.
روش: برای دستیابی به هدف پژوهش، از دادههای شاخص کل قیمت و بازده نقدی در بورس اوراق بهادار تهران (TEDPIX) طی دوره زمانی مهر 1387 تا شهریور 1397 استفاده شده است. مدل ترکیبی NSGA II-GMDH، شبکه GMDH را بهعنوان مدلی مقاوم در برابر دادههای نویزی و نامانا برای پیشبینی بهکار میگیرد و از الگوریتم بهینهسازی چندهدفه NSGA II برای کمینهسازی خطای پیشبینی و انتخاب متغیرهای ورودی بهینه استفاده میکند.
یافتهها: نتایج بهدست آمده از مدل ترکیبی ارائهشده در این پژوهش، بر اساس هر سه معیار سنجش خطا، بیانکننده خطای کمتر و دقت پیشبینی بیشتر آن در مقایسه با مدل ARIMA برای دادههای خارج از نمونه است.
نتیجهگیری: با توجه به یافتههای تجربی میتوان نتیجه گرفت که مدل پیشنهادی در پوشش تغییرات ناپایدار روند حرکت شاخص کل، از انعطافپذیری و توانایی بیشتری برخوردار است.https://jfr.ut.ac.ir/article_68614_52adc0bb0e2d1d6e1cde679efcf1d4a0.pdf