فایل ورد کامل پیش بینی حرکت قیمت سهام با مدل سه بعدی و شبکه های عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش بینی حرکت قیمت سهام با مدل سه بعدی و شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۴ صفحه

۵ بحث
مطالعه حال حاضر، توانایی نسبی CAPM و مدل سه عاملی را در پیش بینی سود سهام در چین مورد مطالعه قرار نداده است. این کمبود در آثار و مقالات، با توجه به تغییر پذیری بازارهای سهام چین و ریسک روزافزون حاصل از محیط قانونی و تنظیم چین بسیار قابل ملاحظه می باشد. ما در این مقاله با مقایسه توانایی سه مدل خطی ARIMA ساده، نسخه پویایی مدل مبتنی بر CAPM تک عاملی و نسخه پویایی مدل سه عاملی فاما و فرنچ در پیش بینی، به این کمبود پرداختیم. علاوه بر این، این سه مدل خطی را با سه مدل شبکه های عصبی قابل مقایسه مورد مقایسه قرار دادیم که این مدل ها دارای همان تعداد متغیر پیشگو هستند ولی از فرض خطی بودن مدل صرف نظر می کنند. تحلیل ما بر اساس دو مجموعه داده حاصل از بورس اوراق بهادار شانگهای که یکی در بازه زمانی ۱۹۹۹ الی ۲۰۰۲ و دومی در بازه زمانی ۲۰۰۳ الی ۲۰۰۸ بود صورت گرفت.

عنوان انگلیسی:The three-factor model and artificial neural networks: predicting stock price movement in China~~en~~

۵ Discussion

Existing research has not examined the relative ability of CAPM and the three-factor model to forecast stock returns in China. This gap in the literature is significant, given the volatility of the Chinese stock markets and the added risk that arises from the Chinese legal and regulatory environment. In this paper we have addressed this gap by comparing the predictive ability of three linear forecasting models: a simple ARIMA model, a dynamic version of a single-factor CAPM-based model, and a dynamic version of Fama and French’s three-factor model. In addition, we compared these linear models with three comparably-specified neural network models that contained the same predictor variables but relaxed the assumption of model linearity. Our analysis was based on two data sets from the Shanghai stock exchange, one based on data from 1999 to 2002 and a second covering the years 2003 to 2008.

$$en!!