عبد المجید آهنگری؛ مهوش مرادی
چکیده
Stocks and houses as two major assets which play important role in the balance sheet of Iranian households. Changes in two markets have a large influence on wealth and the general economy. The purpose of this study is to examine the relationship between stock and house prices over a thirty-year period using vector auto-regression (VAR). Using yearly data for the period from 1985 to 2013, we conducted a Granger-causality test and Impulse response functions (IRF). The causality test is performed with control variables and the results supply evidence on the bidirectional relationship between house ...
بیشتر
Stocks and houses as two major assets which play important role in the balance sheet of Iranian households. Changes in two markets have a large influence on wealth and the general economy. The purpose of this study is to examine the relationship between stock and house prices over a thirty-year period using vector auto-regression (VAR). Using yearly data for the period from 1985 to 2013, we conducted a Granger-causality test and Impulse response functions (IRF). The causality test is performed with control variables and the results supply evidence on the bidirectional relationship between house price and stock price. Impulse response function is estimated in order to investigate the size and timing of the causality. The IRF concludes that, when the impulse is stock price, the every response of house price is most positive and the values fluctuate around the line zero at each time period. .
سید امیر حسین منجمی؛ مهدی ابزری؛ علیرضا رعیتی شوازی
چکیده
سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیرخطی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای ...
بیشتر
سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیرخطی و آشوب گونه است که تحت تأثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه ی یک مدل پیش بینی قیمت سهام با استفاده از شبکه ی عصبی فازی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه ی عصبی مصنوعی به صورت منفرد پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی فازی و الگوریتم های ژنتیک، با استفاده از چهار معیار سنجش خطا، نتایج دو مدل مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی شبکه های عصبی فازی و الگوریتم های ژنتیک پیش بینی های بسیار مناسب تری داشته و نسبت به شبکه ی عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی قیمت سهام برخوردار بوده است.