دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 A Novel Model Based on the ARIMA Model in Predicting Stock Prices of Tehran Stock Exchange Companies ارائه مدلی جدید بر پایه مدل ARIMA در پیش‌بینی قیمت سهام شرکت‌های بورس اوراق بهادار تهران 79 94 732324 10.22034/sep.2025.2075221.1411 FA منصوره نادری پور نویسنده مسئول: استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایرا 0000-0001-8446-5363 حدیث‌السادات حسینی کارشناسی، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران 0009-0004-2881-3895 محمدباقر جمالی استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی شیراز، شیراز، ایران 0009-0003-9940-870X Journal Article 2025 10 10 In recent years, statistical time series models—particularly the ARIMA model—have been widely used as effective tools for stock price forecasting. Despite its acceptable accuracy, the model’s sensitivity to the number of historical data points remains a major limitation in practical applications. This study aims to enhance prediction accuracy and stability by proposing a new model called RARIMA (Reset Auto Regressive Integrated Moving Average), developed based on the ARIMA framework. The proposed model employs a Fast-Learning Reset approach to reduce the effect of the selected historical data length. Stock price data from 18 companies across four industries—steel, petrochemical, banking, and automotive—were analyzed over the period April 2018 to January 2024. To evaluate model performance, the Mean Relative Error (MRE) and the TOPSIS ranking method were used to compare short-term and long-term forecasting accuracy. The results indicate that the RARIMA model improves prediction accuracy by up to 75% compared to the traditional ARIMA model, while significantly reducing its sensitivity to the size of historical data. Accordingly, the proposed model can serve as a reliable and efficient tool for financial analysts and decision-makers in the capital market. در سال‌های اخیر، مدل‌های آماری سری‌های زمانی به‌ویژه مدل ARIMA به‌عنوان یکی از ابزارهای کارآمد در پیش‌بینی قیمت سهام موردتوجه قرار گرفته‌اند. با وجود دقت قابل‌قبول این مدل، حساسیت آن نسبت به تعداد داده‌های تاریخی یکی از چالش‌های مهم در کاربردهای واقعی محسوب می‌شود. در این پژوهش، با هدف افزایش دقت و پایداری پیش‌بینی، مدلی جدید تحت عنوان RARIM مبتنی بر مدل ARIMA معرفی شده است. در این مدل از رویکرد Fast-learning Reset برای کاهش تأثیر انتخاب طول تاریخچه داده‌ها استفاده شده است. داده‌های قیمتی مربوط به ۱۸ شرکت از چهار صنعت فولاد، پتروشیمی، بانک و خودرو در بازه زمانی فروردین ۱۳۹۷ تا دی ۱۴۰۲ مورد تحلیل قرار گرفتند. برای ارزیابی عملکرد مدل، از شاخص خطای نسبی میانگین و روش رتبه‌بندی TOPSIS جهت مقایسه دقت پیش‌بینی در بازه‌های زمانی کوتاه‌مدت و بلندمدت استفاده شد. نتایج نشان داد مدل RARIMA توانسته است دقت پیش‌بینی را در مقایسه با مدل ARIMA به‌طور میانگین تا ۷۵% بهبود دهد و حساسیت مدل نسبت به طول داده‌های تاریخی را به‌طور چشمگیری کاهش دهد. بر اساس نتایج، مدل پیشنهادی می‌تواند به‌عنوان ابزاری کارآمد برای تحلیلگران مالی و تصمیم‌گیرندگان در بازار سرمایه مورداستفاده قرار گیرد. https://systems.eyc.ac.ir/article_732324_3c40185d95b475a095d7b19031aefe3a.pdf