ترکیب مدل شبکه های عصبی مصنوعی با الگوریتم ژنتیک به منظور پیش بینی نرخ ارز و مقایسه آن با مدل های سری زمانی arima و garch

نرخ ارز از متغیر های تاثیر گذار بر اقتصاد است که همواه مورد توجه طیف وسیعی از اقتصاد دانان نیز بوده است . متغیر های بسیاری بر نرخ ارز تاثیر می گذارند که هم شامل عوامل اقتصادی می شود و هم عوامل غیر اقتصادی ، برخی در کوتاه مدت اثر گذارند و برخی در میان مدت و بلندمدت از این رو توصیف این نوسانات قیمت و پیش بینی آن کار آسانی نیست . در این پایان نامه از روش ترکیبی مدل شبکه های عصبی با الگوریتم ژنتیک برای این منظور استفاده گردید . ونتایج آن با مدل های arima و egarch مقایسه شده است . داده های مورد استفاده نرخ برابری دلار با ریال در بازار آزاد غیر رسمی به صورت ماهانه از فروردین 1365 تا اسفند 1390 را شامل می شد .که از این مشاهدات 12 ماه سال 1390 به عنوان داده های خارج نمونه و به منظور مقایسه مدل ها مورد استفاده قرار گرفت . در ادامه متغیر قیمت نفت هم به مدل اضافه شد و توانست نتایج را اندکی بهبود بخشد . ترکیب الگوریتم ژنتیک با شبکه عصبی هم به منظور انتخاب متغیر ها و هم به منظور آموزش شبکه مورد استفاده قرار گرفت . نتایج با استفاده از معیار rmse با هم مقایسه شد . شبکه عصبی ترکیبی بهتر از مدل arima و egarch توانست نوسانات را در سال 1390 را پیش بینی کند . و مدل egarch نیز در مقایسه با arima عملکرد بهتری داشت . همچنین اثر تغییر توپولوژی شبکه شامل تغییر تعداد نورون های لایه ورودی ونورون های لایه پنهان نیز بررسی گردید . به منظور بررسی بیشتر اثر افزودن متغیر قیمت نفت بر نتایج پیش بینی با الگو برداری از روش بوت استرپ از داده ها باز نمونه گیری شد و نتایج با هم مقایسه شد .