摘要：The trend of the stock price index, has taken as one of the investment criteria consistently. Because of the two components of nonlinear and time series price index volatility, in this study, a new hybrid model presented that can predict move and change of these two components of the trend of the index with the highest accuracy. In this model, at the first by using wavelet transform the index time series splits into six separate time series index which represent the characteristics of nonlinear and volatility of index. Then the derived time series with nonlinear behavior by combining the support vector machine and particle swarm optimization (SVM-PSO) and time series behavior based on index volatility by using GJR models predicted and then by accumulating results of two nonlinear and volatility of price index prediction component, price index time series estimates. The results show that the proposed hybrid model, in comparison to other forecasting methods, has fewer errors and higher accuracy.
其他摘要：روند تغییرات شاخص کل قیمت سهام، همواره بهعنوان یکی از ملاک‌های سرمایهگذاری مدنظر قرار می‌گیرد. به دلیل وجود دو مؤلفه‌ای غیرخطی و متلاطم سری زمانی شاخص قیمت، در این پژوهش سعی شده مدل هیبریدی نوینی ارائه شود که بتواند روند حرکتی و تغییرات شاخص را با بیشترین دقت پیشبینی کند. در این مدل ابتدا با استفاده از تبدیل موجک، سری زمانی شاخص به شش سری زمانی مجزایی که ویژگی‌های غیرخطی و متلاطم شاخص مدنظر را نمایندگی می‌کند، تفکیک میشود. در ادامه، سری‌های زمانی استخراج‌شده با رفتار غیرخطی، با استفاده از ترکیب مدل ماشین بردار پشتیبان و بهینه‌سازی ازدحام ذرات و سری‌های زمانی مبتنی بر رفتار متلاطم شاخص کل با بهره‌گیری از مدل GJR پیشبینی میشوند؛ سپس با جمع نتایج بهدستآمده از پیشبینی دو مؤلفه‌ای غیرخطی و متلاطم شاخص قیمت، سری زمانی شاخص کل قیمت برآورد میشود. نتایج بهدست آمده نشان میدهد مدل هیبریدی ارائه‌شدۀ این پژوهش در مقایسه با سایر روش‌های پیشبینی، خطای کمتری داشته و از دقت بیشتری برخوردار است.
关键词：wavelet transform ; Support Vector Machine ; Particle swarm optimization ; GJR model
