fa تحلیل آشوب، تجزیۀ موجک و شبکۀ عصبی در پیش‌بینی شاخص بورس تهران پولی و مالی پولی و مالی كاربردي Applicable <p style="DIRECTION: rtl" align="justify">  این مطالعه برای پیش‌بینی بازدهی شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران، آشوب را تحلیل و پیش‌بینی‌پذیری را بررسی کرده و نیز عملکرد انواع مدل ‌ های شبکۀ عصبی را با کمک داده‌های تجزیه‌شده با روش موجک ارزیابی کرده است. به‌همین منظور، از داده ‌ های سری‌زمانی روزانه و سری بازدهی شاخص قیمت و بازده نقدی بورس طی دورۀ زمانی ۵ فروردین ‌۱۳۸۸ تا ۱۸ اردیبهشت ۱۳۹۱ استفاده شده است. براساس نتایج این مطالعه، سری بازدهی بورس در دورۀ بررسی‌شده، پیش‌بینی‌پذیر بوده و آثار غیرخطی معیّن و آشوبی داشته است. همچنین برطبق معکوس آمارۀ حداکثر نمای لیاپانوف، تعداد روز‌های پیش‌بینی‌پذیر در این مطالعه، ۳۱ روز به‌دست آمد. یافتۀ دیگر این پژوهش نیز به برتری عملکرد مدل ‌ های شبکۀ عصبی چندلایۀ پیش‌خور ( MFNN ) و شبکۀ عصبی فازی ( ANFIS ) مبتنی‌بر داده ‌ های تجزیه‌شده به کمک تجزیۀ موجک در ­ مقابل به‌کارگیری سطح داده‌ها دلالت دارد. در­این‌بین نیز برتری با مدل شبکۀ عصبی چندلایۀ پیش‌خور بوده است. </p> <p align="justify">This study investigates predictability, chaos analysis, wavelet decomposition and the performance of neural network models in forecasting the return series of the Tehran Stock Exchange Index (TEDPIX). For this purpose, the daily data from April 24, 2009 to May 3, 2012 is used. Results show that TEDPIX series is chaotic and predictable with nonlinear effect. Also, according to obtained inverse of the largest lyapunov exponent, we are able to predict the future values of the series up to 31 days. Besides, our findings suggest that multi-layer feed forward neural network model and fuzzy model based on decomposed data, are of superior performances in predicting the return series. It is worth mentioning that, among these models, MFNN reveals the best performance. </p> پیش‌بینی، بورس، تحلیل آشوب، تجزیۀ موجک، مدلهای شبکۀ عصبی. Forecasting, Exchange Market, Chaos Analysis, Wavelet Decomposition, Neural Network Models. 119 140 http://jemr.khu.ac.ir/browse.php?a_code=A-10-837-1&slc_lang=fa&sid=1 Esmaeil Naderi اسماعیل نادری naderi.ec@ut.ac.ir 10031947532846002553 10031947532846002553 Yes Tehran University دانشگاه تهران Hossein Abbasi-Nejad حسین عباسی نژاد habasi@ut.ac.ir 10031947532846002554 10031947532846002554 No Tehran University دانشگاه تهران