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

 

پایان نامه

 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

هیچ نظری هنوز ثبت نشده است
نظر دهید

آدرس پست الکترونیک شما در این سایت آشکار نخواهد شد.

URL شما نمایش داده خواهد شد.
بدعالی

درخواست بد!

پارامتر های درخواست شما نامعتبر است.

اگر این خطایی که شما دریافت کردید به وسیله کلیک کردن روی یک لینک در کنار این سایت به وجود آمده، لطفا آن را به عنوان یک لینک بد به مدیر گزارش نمایید.

برگشت به صفحه اول

Enable debugging to get additional information about this error.