مقایسه قدرت پیش بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت های جهانی گندم، ذرت و شکر)

پیش بینی دقیق قیمت های محصولات کشاورزی وارداتی می­تواند ضمن کمک به برنامه­ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر کاربرد ترین الگوهای پیش بینی سری زمانی طی سه دهه­ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می باشند. مطالعات اخیر در زمینه­ی پیش بینی با شبکه عصبی مصنوعی نشان می دهد که شبکه­ی عصبی مصنوعی می تواند دقت پیش بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه­ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می گردد. در مطالعه­ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه­ی دقت پیش بینی علاوه بر معیارهای مقایسه متداول نظیر rmse، mae، mape و theil c با معرفی آماره گرنجر و نیوبولد معنی داری تفاوت دقت پیش بینی ها نیز بررسی شده است. نتایج پیش بینی قیمت های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به­طور معنی داری دقت پیش بینی به­دست آمده از الگوهای انفرادی را افزایش می دهد. بر این اساس، به­کارگیری الگوهای تلفیقی در پیش بینی قیمت محصولات کشاورزی(به­ویژه محصولات استراتژیک) توصیه می شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به­عمل آید. طبقه­بندیjel:c19,c59