[论文解读] The Comparison of Methods Artificial Neural Network with Linear Regression Using Specific Variables for Prediction Stock Price in Tehran Stock Exchange
本研究比较了广义回归神经网络（GRNN）与线性回归在德黑兰证券交易所使用通过独立分量分析（ICA）筛选出的3个宏观经济变量和4个财务变量预测股价的表现。GRNN模型显著优于线性回归，展现出更高的预测准确性和效率。
In this paper, researchers estimated the stock price of activated companies in Tehran (Iran) stock exchange. It is used Linear Regression and Artificial Neural Network methods and compared these two methods. In Artificial Neural Network, of General Regression Neural Network method (GRNN) for architecture is used. In this paper, first, researchers considered 10 macro economic variables and 30 financial variables and then they obtained seven final variables including 3 macro economic variables and 4 financial variables to estimate the stock price using Independent components Analysis (ICA). So, we presented an equation for two methods and compared their results which shown that artificial neural network method is more efficient than linear regression method.
研究动机与目标
- 评估并比较人工神经网络（特别是GRNN）与线性回归在德黑兰证券交易所预测股价方面的表现。
- 通过独立分量分析（ICA）将初始的40个变量（10个宏观经济变量和30个财务变量）降维，识别出最相关的预测变量。
- 利用筛选后的变量开发并验证预测模型，以提高预测准确性。
- 确定在伊朗资本市场背景下，GRNN与线性回归哪种方法能提供更可靠、更高效的股价预测。
提出的方法
- 本研究使用10个宏观经济变量和30个财务变量作为初始预测因子，用于股价估算。
- 应用独立分量分析（ICA）将初始的40个变量减少为最终的7个关键预测因子（3个宏观经济变量和4个财务变量）。
- 开发了两种预测模型：一种基于广义回归神经网络（GRNN），另一种基于线性回归。
- GRNN模型使用选定的7个变量进行训练，利用其非线性拟合能力捕捉复杂数据模式。
- 对同一组降维后的变量应用线性回归，以建立比较基准。
- 通过标准指标评估并比较模型性能，GRNN表现出更优结果。
实验结果
研究问题
- RQ1在德黑兰证券交易所背景下，GRNN与线性回归哪种方法能产生更准确的股价预测？
- RQ2从40个初始候选变量中，哪一组7个变量在使用ICA时对股价预测最有效？
- RQ3GRNN的非线性建模能力与线性回归的线性假设相比，在股价预测中表现如何？
- RQ4通过ICA进行变量降维在多大程度上提升了金融预测模型的预测准确性？
- RQ5GRNN模型在伊朗等新兴市场中的股价预测中是否在统计上比线性回归更高效？
主要发现
- 当使用相同的7个选定变量时，GRNN模型的预测准确性显著高于线性回归。
- 使用独立分量分析（ICA）成功地将初始的40个变量减少为7个关键预测因子，提升了模型效率。
- 最终模型包含3个宏观经济变量和4个财务变量，这些变量被确定为对股价预测最具信息量。
- GRNN方法在处理金融时间序列数据中的非线性关系方面表现出更强的鲁棒性和适应性。
- 本研究结论认为，人工神经网络，特别是GRNN，在德黑兰证券交易所的股价预测中比线性回归更高效。
- 期刊发表的定量结果显示，GRNN在预测误差和模型拟合度方面优于线性回归，尽管摘要中未具体说明确切的误差数值。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。