مقایسه دقت مدل‌های فراابتکاری و اقتصادسنجی در پیش‌بینی سری-های زمانی مالی دارای حافظه بلندمدت (مطالعه‌ی موردی؛ شاخص سهام صنعت سیمان در ایران)

نویسندگان

1 استادیار دانشکده مهندسی صنایع دانشگاه علم و صنعت، ایران

2 دانشجوی دکترای مهندسی صنایع، دانشگاه علم و صنعت، ایران

3 دانشجوی دکترای مدیریت مالی دانشگاه تهران، ایران

4 کارشناسی ارشد مهندسی و مدیریت ساخت دانشگاه علم و صنعت، ایران

چکیده

داده‌های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می‌شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری‌های زمانی مالی با تناوب بالا می‌شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون R/S و GPH تأیید می‌شود. در ادامه، دقت مدل‌های پیش‌بینی سری‌های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلندمدت را در مدل‌سازی سری زمانی در نظر نمی‌گیرند و مدل‌هایی مثل ARFIMA و FIGARCH، که این ویژگی را مدنظر قرار می‌دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری‌های زمانی فازی وزن‌دار می-باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (RMSE) در بازه‌های زمانی مختلف مورد مقایسه قرار می‌گیرد. نتایج حاصل نشان می‌دهند که روش فراابتکاری ارایه شده در تمامی بازه‌های زمانی نتیجه بهتری از مدل‌های متداول اقتصادسنجی ارایه می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the accuracy of the model Meta heuristic and Econometric in forecasting of financial time series with long-term memory (Case Study, Stock Index of Cement Industry in Iran)

نویسندگان [English]

  • Farnaz Barzinpour 1
  • Seyed Babak Ebrahimi 2
  • Seyed Mohammad Hasheminejad 3
  • Hamed Nasr Esfahani 4
1
2
3
4
چکیده [English]

Data with high frequency have a particular type of none stationary that is called fractional none stationary. This property causes the emergence of long-term memory in financial time series with high frequency. The existence of long-term memory in cement industry time-series is studied in this paper at first and its presence will be confirmed in a high confidence level by two tests R/S and GPH. Next, the accuracy of financial time-series forecast models such as ARMA and GARCH which don't consider the feature of long-term memory in time series modeling and models such as ARFIMA and FIGARCH that take this feature into account are compared with presented new meta heuristic that is composed of algorithm (harmony search) and weighted fuzzy time series by the way of rolling window and by the use of Root Mean Square Error criteria (RMSE) in different time intervals. The results show that the presented Meta heuristic method submits better result of common econometric models in all time intervals.

کلیدواژه‌ها [English]

  • ARFIMA
  • FIGARCH
  • Harmony Search
  • Long memory
  • Return
  • Volatility