دانلود پایان نامه ارشد: طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران
:
پیشبینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامهریزیهای اقتصادی محسوب میشود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخشهای مختلف داخلی و خارجی اقتصادی یک کشور، همچون وضعیت تراز پرداختها و قدرت رقابت بینالمللی، نقش تعیینکنندهای در سیاستگذاریهای اقتصادی ایفا میکند. تغییرات نرخ ارز، بخشهای مختلف اقتصاد یک کشور را تحت تأثیر قرار میدهد. بنابراین، الگوسازی و پیشبینی روند آتی این متغیر برای ارایه سیاستها و رهنمودهای اقتصادی امری ضروری به نظر میرسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا میکند. از آنجا که قسمت اعظم درآمدهای ارزی کشور از طریق فروش نفت خام تأمین میشود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز میتواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازارهای داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگوسازی و پیشبینی نرخهای ارز پرداخته است.
بررسی ادبیات موضوع مربوط به پیشبینی در بازارهای مالی نشاندهندهی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیشبینی بوده و پیشبینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).
بهکارگیری روشهای ترکیبی یا ترکیب روشهای مختلف یک راه متداول به منظور رفع محدودیتهای روشهای تکی و بهبود دقت پیشبینیها است. ایدهی اساسی در ترکیب روشها بر این اساس استوار است که هیچ یک از روشهای موجود، یک روش جامع برای پیشبینی نبوده و قابلیت بهکارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روشهای مختلف میتوان نقاط ضعف یک روش را با استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).
بنابراین، در این پژوهش با بهکارگیری مفاهیم پایهای و مزیتهای منحصر به فرد هر یک از الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیقتر برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه میشود.
1-1- بیان مسأله
پیشبینی از ابزارها و راهکارهای مؤثر به منظور برنامهریزی و تدوین روشهای مالی است. دقت پیشبینی یکی از مهمترین مؤلفههای مؤثر در انتخاب روش پیشبینی است. پیشبینی متغیرهای اقتصادی به دو صورت پیشبینی کیفی[1] و پیشبینی کمی[2] صورت میپذیرد. پیشبینی کیفی به تجربه و تواناییهای افراد و پیشبینی کمی به تابع توزیع احتمال هر پدیده بستگی دارد. گجراتی[3] پیشبینی را بخش مهمی از تحلیلهای اقتصادسنجی میداند و برای برخی از پژوهشگران مهمترین قسمت از علم اقتصادسنجی، پیشبینی است. فریدمن[4] معتقد است تنها آزمون مناسب برای اعتبار یک الگو، مقایسهی پیشبینی آن با تجربه است. پیندایک و روبینفلد[5] هدف اصلی از ساختن
الگوهای رگرسیون را پیشبینی میدانند.
نرخ ارز یک متغیر اقتصادی است که پیشبینی آن مورد توجهی بسیاری از فعالان اقتصادی است. این فعالان اقتصادی را میتوان به سه گروه تقسیم کرد. دستهی اول سیاستگذاران اقتصادی و بانکهای مرکزی هستند. تحت یک نظام ارزی شناور بانکهای مرکزی به منظور هموارسازی نوسانات بازار، در بازار ارز مداخله میکنند. دلایل آنها برای این مداخله میتواند شامل نوسانهای بیش از حد معمول نرخ ارز و در نتیجه اثرات آن بر فعالیتهای اقتصادی باشد. بنابراین، پیشبینی نرخ ارز از طرف این گروه لازمهی چنین مداخلهای است. دستهی دوم بنگاههای فعال در زمینه تجارت و سرمایهگذاری مستقیم خارجی هستند که با جهانی شدن اقتصاد، این نوع سرمایهگذاریها و به تبع آن ریسکهای مرتبط با این فعالیتهای بینالمللی افزایش یافته است. از مهمترین ریسکهای مرتبط با این فعالیتها، ریسک مربوط به نرخ ارز است؛ چرا که تغییرات نرخ ارز، درآمد، هزینه و به تبع آن سود بنگاهها را به منظور کسب منفعت بیشتر تحت تأثیر قرار میدهد. در نهایت دستهی سوم سفتهبازان بازار ارز هستند که با توجه به اهمیت این بازار در عرصهی بینالمللی میتوان این گروه را مشتاقترین علاقمندان به پیشبینی نرخ ارز دانست (موسا[6]، 2000).
پیشبینی نرخ ارز برای فعالان و پیشبینیکنندگان در بازار نرخ ارز از اهمیت اساسی برخوردار است. با وجود این، برخی معتقدند که پیشبینی نرخ ارز امکانپذیر نبوده و سیر تکاملی هر نوع نرخ ارزی از فرضیهی بازار کارا ( )[7] تبعیت میکند. براساس این فرضیه، بهترین روش برای پیشبینی نرخ ارز روز آتی، اتکا به نرخ کنونی آن بوده و نرخ ارز واقعی از فرضیهی گام تصادفی ( )[8] پیروی میکند. این بدبینی در پیشبینی نرخ ارز، پس از انتشار مقاله میس و روگوف[9] به وجود آمد. آنان در مطالعه خود نشان دادند که هیچ نوع روش تک معادلهای، برای پیشبینی نرخ ارز، بهتر از روش گام تصادفی نیست. چراکه تمامی روشهای بررسی شده توسط این محققان، روشهایی خطی بوده، در صورتی که این حقیقت توسط بسیاری از محققین پذیرفته شده که تغییرات نرخ ارز، غیرخطی است (پایلبیم[10]، 1998).
نتایج حاصل از بررسی کارا و یا ناکارا بودن بازارهای مالی در ایران نشاندهندهی ناکارا بودن بازار ارز در ایران است (سلامی، 1380).
بهکارگیری روشهای سری زمانی به منظور پیشبینی بازارهای مالی، بهبود تصمیمگیریها و سرمایهگذاریها به ضرورتی انکارناپذیر در دنیای امروز تبدیل شده است. تلاشهای زیادی در چند دههی اخیر به منظور توسعه و بهبود الگوهای پیشبینی سریهای زمانی انجام شده است. یکی از مهمترین و پرکاربردترین الگوهای سریهای زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. این الگوها بهدلیل سادگی در فهم و بهکارگیری، در چند دههی اخیر بسیار مورد توجه بودهاند، اما بهکارگیری آنها در حالت کلی محدود است. مهمترین محدودیت اینگونه الگوها پیش فرض خطی بودن آنها است. بنابراین، الگوهای غیر خطی نمیتوانند توسط الگوی خودرگرسیون میانگین متحرک انباشته محاسبه گردند و به همین دلیل است که برآورد الگوهای خطی، برای مسایل پیچیده دنیای واقعی که بیشتر الگوهای غیرخطی هستند، همیشه رضایتبخش نخواهد بود (خاشعی و بیجاری، 1387).
شبكههای عصبی مصنوعی از جمله مهمترین و دقیقترین روشهای حال حاضر جهت الگوسازی غیرخطی دادهها هستند. اما با وجود تمامی مزیتهای شبکههای عصبی، اینگونه از شبکهها را نمیتوان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت.
روشهای پیشبینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روشهای مشابه به دادههای کمتری نیاز دارد اما عملکرد آنها همیشه رضایتبخش نیست (خاشعی و بیجاری[11]، 2009).
بنابراین، در پژوهش حاضر از شبکههای عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیتهای خطی و تعداد دادههای مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و دستیابی به نتایج دقیقتر برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) استفاده میشود.
2-1- پرسش پژوهش
آیا الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوهای خودرگرسیون میانگین متحرک انباشته ( )[1]، شبکههای عصبی مصنوعی ( )[2] و الگوی ترکیبی ) ارایه میدهد؟
3-1- فرضیه های پژوهش
با توجه به پرسش پژوهش سه فرضیه وجود دارد:
1- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی خود رگرسیون میانگین متحرک انباشته ارایه میدهد.
2- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی شبکه عصبی مصنوعی ارایه میدهد.
3- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی ترکیبی ( ) ارایه میدهد.
4-1- اهداف پژوهش
با توجه به اهمیت پیشبینی نرخ ارز، هدف اصلی پژوهش حاضر طراحی یک الگوی هوش محاسباتی ترکیبی برای پیشبینی نرخ ارز در اقتصاد ایران است. در مسیر تحقق این هدف اصلی، برخی دیگر از اهداف فرعی نیز محقق خواهد شد که در زیر به آنها اشاره شده است:
– بررسی و مقایسهی دقت پیشبینی الگوهای هوش محاسباتی ترکیبی و خودرگرسیون میانگین متحرک انباشته در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسهی دقت پیشبینی الگوهای هوش محاسباتی ترکیبی و شبکه عصبی مصنوعی در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسهی دقت پیشبینی الگوی هوش محاسباتی ترکیبی و الگوی ترکیبی ( ) در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
5-1- روش پژوهش
در پژوهش حاضر به منظور پیشبینی نرخ ارز، یک الگوی ترکیبی جدید با تکیه بر مفاهیم اساسی الگوهای خودرگرسیون میانگین متحرک انباشته، شبکههای عصبی مصنوعی و رگرسیون فازی ارایه میشود. همچنین در الگوی ارایه شده، از شبکههای عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیتهای خطی و تعداد دادههای مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده میشود.
در الگوی ارایه شده در مرحلهی اول، ابتدا یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو ، بر روی دادههای سری زمانی مورد مطالعه برازش میگردد. در مرحلهی دوم، یک شبکه عصبی با استفاده از اطلاعات موجود در باقیماندههای الگوی خودرگرسیون میانگین متحرک انباشته آموزش میبیند. در مرحلهی سوم، نتایج بهدستآمده از مرحلهی یک و دو به منظور الگوسازی تمامی روابط موجود در دادههای سری زمانی مورد مطالعه ترکیب میشوند. در مرحلهی چهارم الگوی ترکیبی ( )، فازیسازی میشود. در نهایت الگوی فازیسازی شده برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) اعمال و عملکرد آن با الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و الگوی ترکیبی ( ) مقایسه میشود.
در پژوهش حاضر به منظور اندازه گیری عملکرد پیشبینی الگوی ارایه شده از شاخصهای مختلفی مانند میانگین مطلق خطا ( )[1]، میانگین مربع خطا ( )[2]، مجموع مربع خطا ( )[3]، ریشه میانگین مربع خطا ( )[4]، میانگین درصد مطلق خطا ( )[5] و میانگین خطا ( )[6] استفاده میشود.
[1]. Mean Absolut Error
[2]. Mean Squared Error
[3]. Sum Squared Error
[4]. Root Mean Squared Error
[5]. Mean Absolute Persentage Error
[6]. Mean Error
[1]. Auto – Regressive Integrated Moving Average
[2]. Artificial Neural Network
[1]. Qualitative Forecasting
[2]. Quantitative Forecasting
[3]. Gujarati (1995)
[4]. Friedman (1953)
[5]. Pindyck & Rubinfeld (1991)
[6]. Moosa
[7]. Efficient Market Hypothesis
[8]. Random Walk Hypothesis
[9]. Meese & Rogoff (1983)
[10]. Pilbeam
[11]. Khashei & Bijari
[1]. Preminger & Franck
[2]. Chen
نسخه قابل چاپ | ورود نوشته شده توسط نجفی زهرا در 1399/10/26 ساعت 08:22:00 ق.ظ . دنبال کردن نظرات این نوشته از طریق RSS 2.0. |