۲-۲-۱۳: ویژگی های TEPIX
۱- جامعیت
از ویژگی­های بسیار بارز و ارزشمند این شاخص قیمت، جامعیت آن می باشد، زیرا این شاخص بر اساس تمامی سهام های پذیرفته شده در بورس اوراق بهادار تهران می باشد و بنابراین می تواند نماینده خوبی از وضعیت بازار بورس تهران باشد و در حد خوبی می تواند حرکت بازار را نشان دهد.

۲- موزون بودن
دومین ویژگی مهم این شاخص موزون بودن آن می­باشد. همانطور که در محاسبه این شاخص دیده شد، در این فرمول وزن دهی بر اساس مقدار هر سهام می باشد، یعنی سهامی دارای تاثیر بیشتری در اندازه شاخص دارد که اندازه ارزش بازار آن سهام یعنی حاصلضرب تعداد آن سهام در قیمت آن سهام، بیشتر باشد.
۳- در دسترس بودن
سومین مشخصه این شاخص در دسترس بودن آن است، زیرا با گسترش نر افزار های موجود در بازار سرمایه و به روزرسانی آنها امکان محاسبه لحظه ای این شاخص میسر شده است و در معرض دید قرار می­گیرد.
۲-۲-۱۴: شاخص های فرعی در بورس اوراق بهادار تهران
تا اینجا شاخص کل بازار بورس را تحت عنوان TEPIX را معرفی کردیم، همانطور که گفته شد این شاخص همه شرکت های پذیرفته شده در بورس را در برمی گیرد، به همین دلیل این شاخص بسیار جامع می باشد و می تواند نماینده خوبی از وضعیت موجود بازار باشد، این شاخص می تواند به اقتصاددان ها در تحلیل اوضاع موجود اقتصادی کشور و بررسی آن کمک کند و در کل می تواند در اکثریت مواقع جهت گیری بازار را نشان دهد.
ولی با یک شاخص کلی مثل TEPIX امکان بررسی و تحلیل و ارزیابی بخش های مختلف بازار وجود ندارد، یعنی ما با این شاخص نمی توانیم به بررسی بخش های جزئی­تری و کوچک تر بازار بپردازیم، از اینرو شاخص های اختصاصی و جزئی­تری ایجاد شده است که کمک می­ کند تا سرمایه گذاران بتوانند در بخش­هایی که مایلند سرمایه گذاری کنند با اطلاعات دقیقتری در آن بخش سرمایه گذاری کنند. این شاخص ها عبارتند از:
۲-۲-۱۴-۱: شاخص صنایع
این شاخص دربرگیرنده شرکت های صنعتی است و از نظر محاسبه همانندTEPIX محاسبه می شود، فقط تعداد شرکت های آن محدود شده است. سرمایه گذارانی که می­خواهند در شرکت های صنعتی سرمایه گذاری کنند، بهتر است که با توجه به شاخص های این گروه به تصمیم گیری بپردازند.
۲-۲-۱۴-۲: شاخص شرکت
شاخص شرکت به تفکیک برای هر شرکت پذیرفته شده محاسبه و مبنای محاسباتی همانند روشی است که در محاسبه شاخص صنایع و کل بکار می رود، شاخص شرکت­های جدید در بدو پذیرش ۱۰۰ تعیین شده تا امکان بررسی تغییرات آنها فراهم باشد.
۲-۲-۱۴-۳: شاخص ۵۰ شرکت با بیشترین ارزش
سازمان بورس اوراق بهادار تهران هر سه ماه یکبار ۵۰ شرکت با بیشترین ارزش جاری را انتخاب کرده، این شرکت ها سهم بیشتر بازار را در اختیار دارند و در واقع از مزایای این شاخص این است که اثرات منفی شرکت های کوچک در شاخص جلوگیری می کند.
در پایان هر سه ماه این شرکت ها مورد بررسی قرار گرفته و در صورت لزوم از این لیست حذف و شرکت های جدید به آن اضافه می شود.
۲-۳: پیشینه تحقیق
مطالعات صورت گرفته را می توان به دو دسته تقسیم کرد: دسته نخست مطالعاتی که در زمینه کارایی یا عدم عدم کارایی بازار بورس صورت گرفته، دسته دوم مطالعاتی که به مقایسه روش های هوشمند با روش های کلاسیک می پردازند. تقریبا تمامی مطالعات انجام شده در زمینه کارایی بازار حاکی از عملکرد بهتر روش های هوشمند نسبت به روش های خطی می باشند. در این بخش به بررسی مطالعات داخلی و خارجی صورت گرفته در زمینه پیش بینی قیمت سهام می پردازیم.
۲-۳-۱: مطالعات داخلی
حسن زاده (۱۳۸۸) در پایان نامه کارشناسی ارشد خود برای پیش بینی قیمت سهام شرکت های شهد ایران، چادرملو، سایپا، اقتصاد نوین و پتروشیمی آبادان از برنامه ریزی ژنتیک استفاده نمود. ابتدا با بهره گرفتن از آماره η متریک پیش بینی پذیری هر یک از شرکت های مزبور محاسبه شد و سپس با بهره گرفتن از برنامه ریزی ژنتیک مدل سازی پیش بینی قیمت صورت پذیرفت. نتایج با نتایج بدست آمده از مدل FARIMA-FIGARCH مقایسه گردید. نتایج تحقیق بیانگر کم­تر بودن میانگین خطای پیش بینی مدل FARIMA-FIGARCH از مدل برنامه ریزی ژنتیک بود.
آذر و افسر (۱۳۸۵) در تحقیق خود مدل شبکه ­های عصبی فازی پیش بینی قیمت سهام را طراحی کرده و از لحاظ شش معیار ارزیابی عملکرد با روش ARIMA مقایسه نمودند. نتایج این تحقیق بیانگر این حقیقت است که شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد بر روش ARIMA برتری داشته است و دارای ویژگی­های منحصر به فرد همگرایی سریع، دقت بالا و توانایی تقریب تابع قوی هستند و برای پیش بینی شاخص قیمت سهام مناسب می باشند.
ابوئی مهریزی (۱۳۸۵) پیش بینی قیمت سهام را با بهره گرفتن از شبکه های عصبی-فازی (ANFIS) انجام داده است. در پیش بینی بلند مدت پس از انجام محاسبات ۱۸ مدل به دست آمد که از بین آنها مدل TRIMF به عنوان مدل بهینه انتخاب شد. در مدل پیش بینی کوتاه مدت برای هر دوره ۶ مدل طراحی شد که با توجه به سطح خطا مدل TRIMF برای سه ماهه­ی اول، مدل TRAPMFبرای سه ماهه­ی دوم، مدل GAUSSZMF برای سه ماهه­ی سوم و مدل TRAPMFبرای سه ماهه­ی چهارم به عنوان مدل بهینه انتخاب شدند.
عطری نژاد (۱۳۸۵) در پایان نامه کارشناسی ارشد خود پیش بینی روند تغییرات در بازار بورس را با بهره گرفتن از سری زمانی گارچ انجام داده است. نتایج این مدل بر روی پنج سهم کالسیمین، ملی سرب و روی ایران، نیرو ترانس، معدنی املاح ایران و آهنگری تراکتورسازی مورد بحث قرار گرفته است.
مهدوی و بهمنش(۱۳۸۴) در تحقیق خود از شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام شرکت سرمایه گذاری البرز استفاده نمودند. نتیجه حاصل از مدل طراحی شده نشان می دهد که اگر یک شبکه عصبی مصنوعی درست آموزش ببیند می تواند روابط بین متغیرها را (هر چند پیچیده و غیرخطی) شناسایی کرده و در پیش بینی قیمت سهام شرکت­های سرمایه گذاری با حداقل خطا (در این تحقیق۰۴۴/۰) موثر واقع شود.
طالبی (۱۳۸۴) در پایان نامه کارشناسی ارشد خود قیمت سهام ۱۰ روز آینده ۴۰ شرکت فعال در بورس اوراق بهادار تهران را با بهره گرفتن از ۳ روش شبکه عصبی پیشخور تک لایه با الگوریتم یادگیری لونبرگ-مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، شبکه عصبی با اضافه کردن میانگین های متحرک ۵، ۱۰، ۲۰روزه و ROC و RSI 12 روزه و مدل ARMA پیش بینی نمود. نتایج بدست آمده نشان داده است که مدل خطی ARMA بهتر از مدل­های غیر خطی شبکه های عصبی توانسته اند پیچیدگی­های سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرد.
عربی (۱۳۸۴) در مطالعه­ خود به مقایسه­ روش شبکه­ عصبی با روش ARIMA در پیش بینی قیمت سهام شرکت سرمایه گذاری صنایع پتروشیمی پرداخته است. نتایج حاصل از ANN و ARIMA حاکی از برتری عملکرد شبکه عصبی مصنوعی نسبت به ARIMA می باشد.
زارع (۱۳۸۴) در مطالعه­ ای رفتار شاخص قیمت سهام را در ایران مورد بررسی قرار داده است. وی با بهره گرفتن از یک الگوی خود همبسته با وقفه توزیعی (ARDL) و بهره گیری از مدل تعالی قیمت گذاری دارایی های سرمایه ای (CAPM) سعی در شناخت و تبیین تاثیر برخی از متغیرهای تاثیرگذاری بر شاخص قیمت سهام بازار بورس­تهران طی دوره فصل سوم سال ۱۳۷۲ تا فصل اول سال ۱۳۸۲ دارد. نتایج الگوی کوتاه مدت نشان می دهد که متغیرهای وقفه اول لگاریتم شاخص قیمت سهام، لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای تاثیر مثبت و ورودی لگاریتم نرخ ارز و لگاریتم حجم پول دارای تاثیر منفی و معنی داری بر روی متغیر لگاریتم شاخص قیمت سهام می باشد. نتیجه برآورد الگوی بلند مدت نشان می دهد که متغیرهای لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم شاخص قیمت مسکن، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای رابطه مستقیم و دو متغیر لگاریتم نرخ ارز و لگاریتم حجم پول دارای رابطه عکس و معنی داری با متغیر لگاریتم شاخص قیمت سهام می باشند.
هادی پور (۱۳۸۲) مطالعه­ ای جهت تعیین بهترین مدل پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی بورس اوراق بهادار تهران انجام داده است. در این تحقیق پیش بینی با بهره گرفتن از روش های سری زمانی تخمین روند، هموارسازی نمایی و میانگین متحرک و باکس-جنکینز برای ۴ هفته انتهایی سال ۷۹ انجام شده است و سپس شاخص MSE روش های مختلف با یکدیگر مقایسه شده است. این تحقیق به این نکته اصرار می ورزد که مدل مشخصی برای پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی وجود ندارد و برای پیش بینی قیمت سهام هر شرکت ابتدا باید با بهره گرفتن از روند و خصوصیات آن سری زمانی داده ها، مدل مناسب را با بهره گرفتن از روش شناسی مدل­های پیش بینی انتخاب و سپس با بهره گرفتن از آن مدل به پیش بینی قیمت سهام آن شرکت اقدام نمود.
عباسپور (۱۳۸۱) مطالعه­ ای جهت پیش بینی قیمت سهام شرکت ایران خودرو در بازار بورس تهران با بهره گرفتن از شبکه عصبی مصنوعی انجام داده است. داده­هایی که در این مطالعه مورد استفاده قرار گرفته به صورت روزانه بوده و دوره زمانی ۸۰-۱۳۷۹ را شامل می شود. متغیرهای موثر بر قیمت سهام شرکت ایران خودرو شامل نرخ ارز، قیمت نفت، نسبت P/E و حجم مبادلات سهام می باشد. نتایج این تحقیق نشان از برتری نتایج حاصل از پیش بینی قیمت توسط شبکه عصبی مصنوعی نسبت به روش باکس – جنکنیز می باشد.
چاوشی(۱۳۸۰) در مطالعه­ خود به پیش بینی پذیری رفتار قیمت سهام در بورس اوراق بهادار تهران توسط مدل چند شاخصی آربیتراژ و شبکه های عصبی مصنوعی پرداخته است. جهت آزمون این مساله، قیمت روزانه سهام شرکت صنایع بهشهر به عنوان نمونه آماری انتخاب شده است. نتایج حاکی از موفقیت این دو مدل در پیش بینی رفتار قیمت سهام مورد نظر و همچنین برتری عملکرد شبکه ­های عصبی مصنوعی بر مدل چند شاخصی آربیتراژ بوده است.
صفر نواده (۱۳۸۰) در مطالعه­ خود به امکان سنجی پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران پرداخته است. وی این کار را از طریق بررسی چند متغیر مهم و تاثیر گذار که عبارتند از:

1. 1. نسبت سود تقسیم شده به قیمت سهم ()

1. 1. نسبت ()

1. 1. حجم مبادلات (V)

1. 1. ریسک ®

1. 1. تفاوت پایین ترین قیمت سهم با قیمت روز بخش بر قیمت روز سهم ()

و با بهره گرفتن از روش­های پیش بینی آماری رگرسیون و ARIMA انجام داده است.
بت شکن (۱۳۷۹) در پایان نامه خود از یکی از تکنیک­های هوش مصنوعی بنام شبکه های عصبی­فازی ANFIS استفاده نموده و توانایی این مدل را در پیش بینی قیمت سهام در مقایسه با مدل های خطی ARIMA مورد سنجش قرار داده است. در شبیه سازی انجام شده انواعی از شبکه های ۲ ورودی تا ۵ ورودی با تعداد توابع عضویت متفاوت و نگاشت­های مختلف جهت پیش بینی سری زمانی قیمت سهام شرکت گروه بهمن مورد استفاده قرار گرفته اند. برای تعیین مدل ARIMA نیز متدولوژی باکس-جنکینز استفاده گردیده است. نتایج بررسی نشان دهنده برتری و اولویت شبکه ANFIS در پیش بینی قیمت سهام نسبت­ به مدل ARIMA می باشد.
عزیزخانی (۱۳۷۹) در مطالعه خود از روش های ترکیبی برای پیش بینی قیمت سهام استفاده کرده است. در انجام این تحقیق دو شرکت به عنوان انتخاب شده و سپس با بهره گرفتن از روش های پیش بینی فردی قیمت سهام برای چند دوره مورد نظر برآورد شده است و نتایج حاصل از پیش بینی­های فردی با روش های مختلف ترکیب شده است. مدل ترکیبی از نظر کاهش میزان خطا با سایر مدل های مقایسه شده و در نهایت مدل بهینه معرفی شده است.
تیموری (۱۳۷۸) در پایان نامه کارشناسی ارشد خود تحت عنوان “کاربرد شبکه های عصبی در پیش بینی شاخص صنعت تحت تاثیر متغیرهای کلان اقتصادی” به مقایسه روش های پیش بینی خطی و عصبی پرداخته که در آن داده ­ها بصورت هفتگی می­باشد. شبکه مورد استفاده دارای سه لایه است که لایه میانی شامل پنج گره بوده و توابع انتقال آن از نوع هلالی می باشند، نتایج این تحقیق نشان از برتری محسوس شبکه­ عصبی بر رگرسیون خطی دارد.
خالوزاده (۱۳۷۷) در رساله دکتری خود با بهره گرفتن از اطلاعات روزانه سری زمانی قیمت و بازده سهام شرکت شهد ایران به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته است. روش های پیش بینی مورد استفاده در این تحقیق، شامل روش های پیش بینی بر اساس مدل های خطی و غیر خطی (شبکه ­های عصبی) می­باشد و با توجه به نتایج بدست آمده نشان داده شده است که قیمت سهام از نگاشت­های پیچیده غیر خطی به وجود آمده اند و استفاده از انواع روش های خطی صحیح نمی باشد.
رجب زاده قطرمی (۱۳۷۷) در مطالعه خود به بررسی روش های پیش بینی و ترکیب این روشها با هدف کاهش خطای پیش بینی پرداخته است. نتایج بدست آمده حاکی از کاهش بسیار زیاد خطای پیش بینی روش های ترکیبی نسبت به روش های فردی می­ باشد.
۲-۳-۲: مطالعات خارجی
تانگ و همکارانش^[۵۹](۲۰۱۰) با بهره گرفتن از ترکیب تبدیل موجک^[۶۰] ، شبکه عصبی پیشخور^[۶۱] و الگوریتم مورچگان^[۶۲] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان در ابتدا با بهره گرفتن از موجک هار^[۶۳] اقدام به تجزیه­ی سری زمانی قیمت نمودند سپس با بهره گرفتن از شبکه عصبی پیشخور پیش بینی صورت گرفت و وزن­های حاصل از شبکه عصبی با بهره گرفتن از الگورتم مورچگان بهینه گردید. مدل ارائه شده بر روی داده های میانگین شاخص صنعت داو جونز^[۶۴] (DJIA)، شاخص FTSE-100 بورس لندن (FTSE)، شاخص NiKei-225 بورس توکیو (Nikkei) و شاخص بورس تایوان (TAIEX) مورد آزمون قرار گرفت. مدل مزبور با مدل ترکیبی شبکه عصبی و الگوریتم مورچگان، مدل سری زمانی فازی^[۶۵] و شبکه عصبی فازی(ANFIS) مقایسه گردید. در تمامی موارد آزمون شده مدل پیشنهادی نسبت به بقیه مدل ها از خطای کمتری برخوردار بود.
هداوندی و همکارانش^[۶۶] (۲۰۱۰) با بهره گرفتن از ترکیب شبکه عصبی و ژنتیک فازی^[۶۷] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان مدل مزبور را بر روی داده ­های جمع آوری شده برای صنعت IT و هواپیمایی بورس نیوریوک آزمون نمودند. مدل پیشنهادی با مدل­های ARIMA و الگوریتم ژنتیک و شبکه عصبی استفاده شده در پیش بینی مورد مقایسه قرار گرفت که در تمامی موارد مدل پیشنهادی بر مدل­های قبلی نتایج بهتری بدست داد.
آلوارز دیاز و میگز^[۶۸] (۲۰۰۸) از برنامه ریزی ژنتیک برای بررسی کیفیت بنگاهها استفاده نمودند. آن ها از یک GP برای بررسی رابطه بین کیفیت بنگاه­ها و مجموعه ای از متغیرهای تاریخی، اقتصادی، جغرافیایی، مذهبی و اجتماعی استفاده نمودند. نتایج بدست آمده حاکی از این موضوع است که GP می تواند نتایجی به دقیقی OLS را ارائه دهد.
چن و همکارانش^[۶۹] در سال ۲۰۰۸ از یک مدل سری زمانی فازی برای پیش بینی کوتاه مدت قیمت سهام تایوان و هنگ کنگ استفاده نمودند. نتایج تجربی بدست آمده از این تحقیق بیانگر این است که روش آماری سنتی و مدل ارائه شده هر دو مشخص می­ کنند که الگوهای قیمت سهام در این دو بازار کوتاه مدت هستند.
از آنجایی که در بازار سهام، سرمایه گذاران عقلایی پیش بینی هایشان را بر اساس جدید ترین خطاهای پیش بینی اصلاح می کنند، چنگ و همکارانش^[۷۰] در سال ۲۰۰۸ از یک مدل جدید سری زمانی فازی برای کاهش خطای پیش بینی در بازار سهام تایوان استفاده نمودند. نتایج حاکی از برتری این مدل نسبت به مدل چن و یو^[۷۱] بوده است.
چانگ و لو^[۷۲] در سال ۲۰۰۸ از قاعده فازی نوع ^[۷۳]TSK برای پیش بینی قیمت سهام استفاده نمودند. مدل فازی TSK شاخص فنی را به عنوان متغیر­های ورودی در نظر می­گیرد و نتیجه بدست آمده یک ترکیب خطی از متغیرهای ورودی می­باشد. این مدل بر داده ­های شرکت سهامی الکترونیک تایوان آزمون شده است و نتایج بدست آمده حاکی از دقتی نزدیک به ۹۷٫۶ درصد در شاخص TSE و ۹۸٫۰۸ درصد در Media Tek می­باشد.
کابودان در سال ۲۰۰۷ از برنامه ریزی ژنتیک و شبکه عصبی برای پیش بینی فضایی قیمت های مسکن استفاده نموده است. نتایج بدست آمده حاکی از برتری GP نسبت به شبکه عصبی می­باشد.