بررسی کارایی مدل های یادگیری ماشین و ترکیب آن ها با استفاده از الگوریتم ژنتیک برای پیش بینی کوتاه مدت نرخ ارز در ایران و مقایسه ی آن با الگوی سری زمانی arima

اغلب پدیده های طبیعی رفتاری غیرخطی دارند که لازمه ی تشخیص مناسب آن ها استفاده از مدل های غیرخطی است. در گذشته مدل های گوناگونی به منظور پیش بینی متغیرهای اقتصادی مورد استفاده قرار می گرفتند. اما این مدل ها ضعف هایی داشتند که به محقق اجازه نمی دادند تا عوامل پیچیده و غیرخطی موثر بر پیش بینی را درنظر بگیرد. ازاینرو روش های جدیدی در پیش بینی به نام روش های یادگیری ماشین پا به عرصه وجود نهاده اند که می توانند روابط بین متغیرها را کشف کنند. از طرف دیگر ارز به عنوان یک دارایی مالی مجموعه تحولات پولی و مالی و همچنین تحولات اقتصاد بین المللی در آن تجلی می یابد و علاوه بر این به دلیل اثری که نرخ ارز بر قیمت های داخلی و خارجی می گذارد از اهمیت بالایی در سیاست گذاری کشور برخوردار است. لذا در این مطالعه به پیش بینی نرخ ارز با الگوی خود رگرسیون میانگین متحرک انباشته (arima) و برخی از روش های یادگیری ماشین پرداخته شده است. علاوه بر این به منظور افزایش کارایی پیش بینی، روش ترکیبی با استفاده از الگوریتم ژنتیک پیشنهاد شده است. مقایسه ی دقت پیش بینی مدل های مذکور از طریق معیارهای خطا نشان از عملکرد بهتر روش ترکیبی دارد. داده های مورد استفاده در تحقیق مربوط به قیمت های روزانه ی ریال در برابر دلار و ریال در برابر یورو از ابتدای فروردین ماه 1382 تا انتهای فروردین ماه 1390 است.