کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا در بورس کالای ایران

محورهای موضوعی : اقتصاد مالی

علی اکبر باغستانی ¹ , سعید یزدانی ² , مجید احمدیان ³

1 - استادیار دانشگاه آزاد واحد علوم تحقیقات
2 - استاد اقتصاد دانشگاه تهران
3 - استاد اقتصاد دانشگاه تهران

تاریخ دریافت : 1394/07/04 تاریخ پذیرش : 1394/09/04 تاریخ انتشار : 1394/12/20

کلید واژه: واژگان کلیدی: کنجاله سویا, روش GMDH, مدل خودرگرسیو میانگین متحرک, پیش‌بینی قیمت, بورس کالا, طبقه‌بندی JEL:C1, C12, D43, D53, Q13,

چکیده مقاله :

چکیده وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه‌ها و نگرانی‌های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده است.به منظور دست‌یابی به پیش‌بینی‌های بهتر در بازار بورس کنجاله سویا، قواعد موجود در آن شناسایی شود. در این مطالعه با استفاده از داده‌های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، ضمن بررسی جایگاه کنجاله سویا در معاملات بورس کالا، قیمت کنجاله سویا با رهیافت شبکه عصبی مبتنی بر الگوریتم GMDH[i] پیش‌بینی و نتایج با پیش‌بینی‌های مدل خودرگرسیو میانگین متحرک مقایسه می گردد. نتایج نشان می‌دهد الگوریتم شبکه عصبیGMDH، توانایی و دقت بالاتری در پیش‌بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است. [i].Group Method of Data Handling(GMDH)

چکیده انگلیسی:

Abstract Livestock and poultry industry has depended much on soybean meal. This dependence has led to fluctuations in the price of this product and therefore, forces market participants to follow the sensitivity and accuracy. These fluctuations created serious concerns about the supply and price of soybean meal. So, this study, using monthly and weekly data of Soybean prices in the exchange market, tried to forecast soybean price. So Soybean Meal price has predicted with neural network GMDH algorithm and ARIMA. The results based on the root mean square error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MPAE) showed that the GMDH algorithm, has a better ability to predict the price accurately.  

منابع و مأخذ:

فهرست منابع

1)    ابریشمی ح.، م. مهر آرا، م. احراری، و س. میرقاسمی، ۱۳۸۸. الگوسازی و پیش­بینی رشد اقتصادی ایران با رویکرد شبکه عصبی GMDH. مجله تحقیقات اقتصادی. شماره ۸۸. ص ۲۴-۱.

2)    پندار م.، ع. شاکری، و ح. سلامی، ۱۳۹۱. مدیریت ریسک قیمتی واردات دانه روغنی سویا به وسیله بازار آتی‌ها. مجله تحقیقات اقتصاد و توسعه کشاورزی ایران. دوره ۲۴-۲. شماره ۴. ۴۹۲-۴۷۹.

3)    فهیمیفرد م.،۱۳۸۷. مقایسهکاراییمدلهایعصبی - مصنوعیوخودرگرسیونیدرپیشبینیقیمتمحصولاتکشاورزیایران. پایان نامهکارشناسیارشدگروهاقتصادکشاورزی.دانشگاهزابل.

4)    مشیری س.، ۱۳۸۰. پیش بینی تورم ایران با استفاده از مدل های ساختاری، سری زمانی و شبکه های عصبی. مجله تحقیقات اقتصادی. شماره ۵۸. ص۱۸۴-۱۴۷.

5)    مشیری س.، و ف. فروتن، ۱۳۸۳. آزمون آشوب و پیش‌بینی قیمت‌های آتی نفت خام. فصلنامه پژوهش‌های اقتصادی ایران. شماره ۲۱. ص۹۰-۶۷.

6)     Fahimifard, S. M., M. Salarpour, M. Sabouhi, and S. Shirzady. 2009. Application of ANFIS to Agricultural Economic Variables Forecasting Case Study: Poultry Retail Price. Journal of Artificial Intelligence, 2(2):65-72.

7)     Harvi, S., Osborn, D. R., C. R. Brichenhall. 2004. Liner versus neural network forecasts for European industrial prodnction series, International Journal of forecasting, 20: 435-446.

8)     HuseyinInce., Theodore B. Trafalis. 2005. A hybrid model for exchange rate prediction, www.sicencedirect.com

9)     Henry C.Co., RujirekBoosarawongse. 2007. Forecasting Thailand, rice export: Statistical techniques vs. artifical neural networks, www.sicencedirect.com.

10)  Ivakhnenko. G.A .1995. The Review of Problems Solvable by Algorithms of the Method of Data Handling (GMDH). Pattern Recognition and Image Analysis, Vol.5.4: 527-535.

11)  Moshiri, S., Cameron, N.2000. Neural network versus econometric models in forecasting inflation. Journal of forecasting 19, p.201-217

12)  Nariman-zadeh N., A. Darvizeh, M. Gharababaei .2002. Modelling of Explosive Cutting Process of Plates Using GMDH-type Neural Network and Singular Value Decomposition". Journal of Materials Processing Technology, 128 (1-3): 80-87

13)  Olson, D. and C. Mossan. 2003. Neural network of Canadian stock returns using accounting ratios international. Journal of Forecasting, 19:453-465.

14)  Rech, G. 2002. Forecasting with artifical neural network models, SSE.EFI working paper Series in economics and Finance, 491:1-20.

یادداشت‌ها