مقایسه عملکرد شبکه های عصبی مصنوعی(ann)و مدل میانگین متحرک انباشته اتورگرسیو (arima) در مدلسازی و پیش بینی کوتاه مدت روند نرخ ارز در ایران

Authors

عباسعلی ابونوری

استادیار دانشکده اقتصاد و حسابداری دانشگاه آزاداسلامی واحد تهران مرکزی. فرداد فرخی

استادیار دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد تهران مرکزی. سیده فاطمه شجاعیان

کارشناس ارشدعلوم اقتصادی دانشکده اقتصادوحسابداری دانشگاه آزاد اسلامی واحد تهران مرکزی

abstract

نرخ ­­ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه­ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می­شوند. در این راستا تلاش سیاست­گذاران در کاهش این نااطمینانی از طریق پیش­بینی این متغیر باکمترین خطا بوده است. شبکه­های عصبی مصنوعی از قابلیت بالایی در مدلسازی فرآیندهای پیچیده و پیش­بینی مسیرهای غیرخطی پویا برخوردار هستند.  لذا در این مطالعه سعی گردیده است تا با استفاده از شبکۀ عصبی مصنوعی(ann) علاوه بر مدل­سازی و پیش­بینی روزانه نرخ ارز طی دوره زمانی فروردین 1381 تا اسفند 1384، و کمینه نمودن خطای پیش­بینی توسط این روش، نتایج آن با مقادیر پیش­بینی شده توسط مدل arima بر اساس معیارهای اندازه­گیری دقت پیش­بینی، مورد مقایسه قرار گیرد. برای بررسی حساسیت نتایج مدل نسبت به نرخ ارز، تخمین مدل با روش مشابه برای سه دسته داده نرخ ارز دلار، یورو و پوند انجام گرفته است. نتایج تحقیق نشان می­دهد که شبکۀ عصبی مورد استفاده، نسبت به مدل arima از قدرت پیش بینی بهتری برخوردار است و قیمت نرخهای ارز پوند و یورو تابعی از قیمتهای روز گذشته خود و قیمت نرخ ارز دلار تابعی از قیمت 6 روز گذشته خود است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه عملکرد شبکه‌های عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیش‌بینی کوتاه مدت روند نرخ ارز در ایران

نرخ ­­ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه­ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می­شوند. در این راستا تلاش سیاست­گذاران در کاهش این نااطمینانی از طریق پیش­بینی این متغیر باکمترین خطا بوده است. شبکه­های عصبی مصنوعی از قابلیت بالایی در مدلسازی...

full text

مقایسه عملکرد شبکه های عصبی مصنوعی(ann) و مدل میانگین متحرک انباشته اتورگرسیو(arima) در مدلسازی و پیش بینی کوتاه مدت روند نرخ ارز درایران

نرخ ارز و نوسانات آن به عنوان یکی از مهمترین ترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گذاران در کاهش این نااطمینانی از طریق پیش بینی این متغیر باکمترین خطا بوده است. شبکه های عصبی مصنوعی از قابلیت بالایی در مدلس...

15 صفحه اول

مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک

این مطالعه تلاشی است در جهت به­کارگیری ترکیب مدل شبکه­ی عصبی پویا و تجزیه­ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش­بینی متغیر مذکور می­باشد. جهت تحقق این مهم، از داده­های سری­زمانی ماهانه­ی نرخ ارز طی بازه­ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل­سازی­ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه­سازی و یا به بیان دی...

full text

به کارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیش بینی نرخ ارز

در دنیای امروز به کارگیری روشهای کمی پیش بینی در زمینه های مختلف مورد توجه گسترده قرار گرفته است. تغییرات سریع محیطهای ناشناخته در دنیای واقعی و به ویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان به منظور تأمین داده های مورد نیاز شده است. مدلهای میانگین متحرک خود رگرسیون انباشته (arima) دارای محدودیت تعداد داده های گذشته بوده و شبکه-های عصبی مصنوعی (anns) نیز به منظور حصول نتایج دقیق...

full text

پیش بینی نرخ ارز در ایران با استفاده از یک الگوی پیوندی ازالگوی خودرگرسیونی میانگین متحرک انباشته(arima) و شبکه عصبی مصنوعی (ann)

مطالعات پیشین درخصوص افزایش دقت پیش بینی بین روند متغیرهای کلان اقتصادی، به طور معمول بر پایه الگو های سری-زمانی یا الگو های اقتصادسنجی، استوار بوده اند. با وجود این، این الگو ها با محدودیت خطی بودن مواجه هستند و با غیرخطی بودن طبیعت دنیای واقعی سازگار نیستند. الگوی خودرگرسیونی میانگین متحرک انباشته یکی از پرکاربردترین الگو های خطی در سه دهه گذشته بوده است. در مطالعات اخیر سعی شده است تا پیش بی...

My Resources

Save resource for easier access later


Journal title:
دانش سرمایه گذاری

جلد ۳، شماره ۱۰، صفحات ۸۵-۱۰۰

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023