Abstract
Forecasting stock prices is a major activity of financial firms and private investors when they make investment decisions. Feature extraction is usually the first step of a stock price forecasting model development. Wavelet transform, used mainly for the extraction of information contained in signals, is a signal processing technique that can simultaneously analyze the time domain and the frequency domain. When wavelet transform is employed to construct a forecasting model, the wavelet basis functions and decomposition stages need to be determined first. However, because forecasting models constructed by different wavelet sub-series would exhibit different forecasting capabilities and yield varying forecast results, the selection of wavelet that can lead to an optimal forecast outcome is extremely critical in model construction. In this study, a new stock price forecasting model which integrates wavelet transform, multivariate adaptive regression splines (MARS), and support vector regression (SVR) (called Wavelet-MARS-SVR) is proposed to not only address the problem of wavelet sub-series selection but also improve the forecast accuracy. The performance of the proposed method is evaluated by comparing the forecasting results of Wavelet-MARS-SVR with the ones made by other five competing approaches (Wavelet-SVR, Wavelet-MARS, single ARIMA, single SVR and single ANFIS) on the stock price data of two newly emerging stock markets and two mature stock markets. The empirical study shows that the proposed approach can not only solve the problem of wavelet sub-series selection but also outperform other competing models. Moreover, according to the sub-series which are selected by the proposed approach, we can successfully identify the data of which sessions (or points in time) among past stock market prices exerted significant impact on the construction of the forecasting model
چکیده
پیش بینی قیمت سهام، فعالیت اصلی موسسات مالی و سرمایه گذاران خصوصی در هنگام تصمیم گیری درباره سرمایه گذاری است. استخراج ویژگی معمولا اولین گام در ساخت یک مدل پیش بینی قیمت سهام است. تبدیل موجک که عمدتا برای استخراج اطلاعات موجود در سیگنال ها استفاده می شود، یک تکنیک پردازش سیگنال است که می تواند همزمان دامنه زمانی و دامنه فرکانسی را آنالیز نماید. وقتی تبدیل موجک برای ساخت یک مدل پیش بینی به کار گرفته می شود، توابع پایه موجک و مراحل تجزیه را نخست باید تعیین نمود. با این همه چون مدل های پیش بینی ساخته شده توسط زیرسری های مختلف موجک، قابلیت های پیش بینی متفاوتی را نشان داده و نیز نتایج پیش بینی متغیری را به دست می دهند، انتخاب موجکی که بتواند به یک خروجی پیش بینی بهینه منجر شود، در ساخت مدل بسیار حیاتی است. در این تحقیق، یک مدل پیش بینی قیمت سهام جدید پیشنهاد می شود که تبدیل موجک، اسپلاین های رگرسیون تطبیقی چندمتغیره (MARS) و رگرسیون بردار پایه (SVR) را با هم تلفیق می کند (به نام موجک-MARS-SVR) تا نه تنها به مسئله انتخاب زیر سری های موجک پرداخته بلکه دقت پیش بینی را نیز بهبود بخشد. عملکرد روش پیشنهادی با مقایسه نتایج پیش بینی کننده ی موجک-MARS-SVR با نتایج حاصل از پنج رویکرد رقابتی دیگر (موجک-SVR، موجک-MARS، ARIMA منفرد، SVR منفرد و ANFIS منفرد) در مورد داده های قیمت سهام دو بازار سهام نوظهور و دو بازار سهام رشد یافته، ارزیابی می شود. این مطالعه تجربی نشان می دهد که رویکرد پیشنهادی می تواند نه تنها مسئله انتخاب زیرسری های موجک را حل کند بلکه عملکرد بهتری را نیز نسبت به دیگر مدلهای رقابتی دیگر دارد. بعلاوه، بر اساس زیرسری هایی که توسط این رویکرد پیشنهادی انتخاب می شوند، ما می توانیم داده هایی را شناسایی کنیم که دوره شان (یا نقاط زمانی شان) بین قیمت های گذشته بازار سهام، تاثیر زیادی را بر ساخت مدل پیشگو داشته است.
1-مقدمه
بازار سهام، مدتی طولانی یکی از اهداف سرمایه گذاری بوده است که سرمایه گذاران بیشترین توجه را به آن داشته اند. به منظور کسب سود یا اجتناب از ریسک، سرمایه گذاران معمولا روند شاخص های سهام را حدس زده و استراتژی هایی را برای سرمایه گذاری های آتی بر اساس پیش بینی شان ترسیم می کنند...