مقایسه‌ی پیش‌بینی نرخ ارز بر اساس مدل‌های غیرخطی STAR و مدل‌های رقیب

محورهای موضوعی : اقتصاد کار و جمعیت

حسن خداویسی ¹ (استادیار اقتصاد دانشگاه ارومیه)
علی وفامند ² (کارشناس ارشد اقتصاد)

تاریخ دریافت : 1394/01/23 تاریخ پذیرش : 1394/01/23 تاریخ انتشار : 1392/01/12

کلید واژه: نرخ ارز, مدل‌های غیرخطی, مدل خود رگرسیونی انتقال ملایم, تابع انتقال لجستیک, بهینه‌سازی الگوریتم ژنتیک,

چکیده مقاله :

این مقاله ضمن بررسی و انجام آزمون غیرخطی برای داده‌های ماهیانه‌ی نرخ ارز بازار رسمی ایران، به مدل‌سازی و پیش‌بینی روند سری زمانی نرخ ارز با استفاده از رگرسیون غیرخطی انتقال ملایم[1] می‌پردازد. هم‌چنین به منظور مقایسه عملکرد پیش‌بینی‌های خارج از نمونه، مدل رگرسیون غیرخطی انتقال ملایم بر اساس بهینه‌سازی الگوریتم ژنتیک و مدل ARIMA برآورد می‌گردد. ارزیابی نتایج این مطالعه تأییدکننده‌ی رفتار غیرخطی نرخ ارز در ایران و عملکرد بهتر مدل‌های غیرخطی نسبت به مدل ARIMA در پیش‌بینی خارج از نمونه نرخ ارز برای افق 12 ماهه بر اساس معیارهایRMSE ، MAE و DAمی‌باشد. [1].Smooth Transition Regression

چکیده انگلیسی:

Exchange rate known as a strategic variable plays an important role in the economy, because of affecting on different sectors in economy all over the world. So, exchange-rate predictions have always been an important subject for the researchers in Economics. This paper tries to study the attributes of exchange rate developed by monthly official data of Iran Stock Exchange based on Smooth Transition Autoregressive (STAR) models. The result of simulation based on STAR models and estimated by Genetic Algorithm method, outperforms linear time series models, such as ARIMA out of sample predictions based on RMSE, MAE and DA criteria.

منابع و مأخذ:

منابع

-          درگاهی، حسن، انصاری، رضا (1386). بهبود مدل‌سازی شبکه‌های عصبی در پیش‌بینی نرخ ارز، با به‌کارگیری شاخص‌های تلاطم. مجله تحقیقات اقتصادی، 48(85): 117-143.

-          عباسی‌نژاد، حسین، محمدی، احمد (1386). پیش‌بینی نرخ ارز با استفاده از شبکه‌های عصبی و تبدیل موجک. فصلنامه نامه مفید، 13(60): 19-42.

-          مهدوی، عبدالمحمد (1386). طراحی مدل ارزیابی کیفیت خدمات سیستم‌های اطلاعاتی مبتنی بر الگوریتم ژنتیک. ویژه نامه مدیریت، 11(55): 235-263.  

-          مهر آرا، محسن، سرخوش، اکبر (1389). آثار غیرخطی متغیرهای کلان اقتصادی بر رشد اقتصادی با تأکید بر نرخ ارز (مورد ایران). مجله تحقیقات اقتصادی، 45(93): 201-228.

-          Boero, G. M. (2002). The performance of non-linear exchange rate models: A forecast comparison. Journal of Forecasting, 21(3): 513-542. 

-          Lin, J.B., & Liang, C.C., & Yeh, M.M. (2010). Examining nonlinear dynamics of exchange rates and forecasting performance based on the exchange rate parity of four Asian economies. Japan and the World Economy, 23(2): 79-85.

-          Luukkonen, R., &Terasvirta, T. (1991).Testing linearity of economic time series against cyclical asymmetry. Annales d’economie ET de statistique, 20(21): 125–142.

-          Meese, R., & Rogoff, k. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of international Economics, 14(1): 3–24.

-          Smallwood, A.D. (2008). Measuring the persistence of deviations from purchasing power parity with a fractionally integrated STAR model. Journal of International Money and Finance, 27(7): 1161-1176.              

-          Terasvirta,T. )1994(. Specification, estimation, and evaluation of smooth transition autoregressive models. Journal of the American Statistical Association, 89(425): 208–218.