پیش بینی تولید ناخالص داخلی فصلی: سری های زمانی در برابر شبکه های عصبی-فازی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان
- نویسنده محسن دامرودی
- استاد راهنما اکبر توکلی سید رضا حجازی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1390
چکیده
تولید ناخالص داخلی (gdp) به عنوان یکی از مهم ترین شاخص های عملکرد اقتصادی برای بخش های خصوصی و دولتی است، به طوری که بر مبنای پیش بینی های کوتاه و بلندمدت این متغیر دست به انتخاب سیاست های مالی یا سرمایه گذاری می زنند. بدیهی است که هر چقدر این پیش بینی ها با واقعیت فاصله بیشتری داشته باشند، برنامه ها و سیاست های موجود ناکاراتر می شوند. اما از آنجایی که عموما فعالیت های اقتصادی متاثر از فصل هستند و رفتاری فصلی دارند، تحلیل ها بر پایه داده های فصلی بسیار مطلوب تر و احتمالا با دقت بیشتری همراه خواهد بود. البته اخیرا رویکرد استفاده از داده هایی با فرکانس بالاتر نیز بسیار رایج شده است. پیشرفت های جدید و پایه ای در مدل های کمی، بویژه در عرصه پیش بینی، باعث شده است تا تغییرات اساسی ای در این مدل ها ایجاد شود و دسترسی به نتایج بهتر و خطای کمتر تسهیل شود. در این پایان نامه تلاش شده است با ارائه یک سیستم پیش بینی کوتاه مدت برای gdp اسمی و واقعی فصلی، گامی هر چند ناچیز در تسهیل سیاست های کلان اقتصاد کشور برداشته شود. در عرصه پیش بینی، روش های مختلفی وجود دارد که می توان آنها را به دو دسته کلاسیک اقتصادسنجی و نوین هوش مصنوعی تقسیم بندی کرد. به منظور رسیدن به یک مقایسه منطقی تر، از هر دسته یک روش انتخاب شد. در واقع، در این پایان نامه از دو روش sarima و anfis که بر پایه متدولوژی های باکس-جنکینز و جانگ هستند، استفاده شده است. پس از مدل سازی ها و پیش-بینی های انجام گرفته برای gdp اسمی و واقعی فصلی، نرخ های رشد فصل-به-فصل و سال-به-سال نیز محاسبه شده و خطاهای مربوط بدست آمدند. دو معیاری که برای محاسبه خطاها استفاده شده است، mape و rmse می باشد. لازم به ذکر است که پیش بینی ها برای حداکثر 8 فصل رو به جلو انجام و ارزیابی شده اند. به عبارت دقیق تر نتایج برای 2،1،....،8 فصل رو به جلو انجام و ارائه شده اند، اما 8 گام بیشتر مد نظر بوده و مورد بررسی قرار گرفته است. نتایج حاصل برای پیش بینی gdp اسمی فصلی، gdp واقعی فصلی، نرخ رشد فصل-به-فصل و نرخ رشد سال-به-سال همگی نشان دادند که روش anfis نسبت به روش sarima از نظر معیار mape برتری بلامنازعی داشته است. حداقل بهبودهایی که در هر یک از چهار حالت فوق رخ داده اند، به ترتیب 33% در 7 گام پیش بینی، 59% در 8 گام پیش بینی، 48% در 7 گام پیش بینی و 62% در 8 گام پیش بینی می باشد.
منابع مشابه
کاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملمدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک
تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونهمتغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشانمی دهد که سری زما...
متن کاملمقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران
با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی زمانی1371:1 تا 1385:11 بوده و از شر...
متن کاملپیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی
امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023