پیش بینی نرخ ارز یورو به دلار با تکنیک شبکه عصبی مصنوعی
محورهای موضوعی : مهندسی مالی
شفق شریف مقدم
1
(
دانش آموخته کارشناسی ارشد رشته مدیریت بازرگانی،گروه مدیریت بازرگانی، دانشکده مدیریت، دانشگاه آزاد إسلامی واحد تهران مرکز، تهران، ایران
)
سیدذبیح اله هاشمی
2
(
استادیار گروه مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران
)
کلید واژه: شبکه عصبی, تحلیل تکنیکال, پیش بینی نرخ ارز,
چکیده مقاله :
پیش بینی نرخ ارز به عنوان یک متغیر اقتصادی مهم مورد علاقه فعالان اقتصادی است. یکی از رویکردهای متداول در پیش بینی، رویکرد تکنیکال است که از رفتار گذشته نرخ ارز برای پیش بینی استفاده می کند. البته با توجه به ساختار آشوب گونه و غیر خطی بازارهای مالی، نمی توان با یک روش مشخص و ساده که از ترکیب ابزارهای مختلف تکنیکال بدست می آید به پیش بینی بازار پرداخت و نیاز به روش های پیچیده تری می باشد. در دهه اخیر شبکه های عصبی به عنوان یکی از پرکاربرد ترین روش ها در زمینه طبقه بندی، تشخیص الگو و پیش بینی سری های زمانی پیچیده مورد استفاده قرار گرفته است. در این تحقیق یک مدل شبکه عصبی چندلایه جهت پیش بینی نرخ ارز یورو به دلار ارایه می شود که با بهره گرفتن از داده ها و متغیر های برگرفته شده از تحلیل تکنیکال به پیش بینی قیمت در روز آینده با دقت مطلوب می پردازد. نتایج بیانگر عملکرد مناسب این روش در مقابل سایر روش های متداول تحلیل تکنیکال و شبکه عصبی می باشد.
Exchange rate prediction is an important economic variable of interest to the economic actors. Technical approach is one of the commonly used approaches to forecasting, which uses the past behavior of the exchange rate for prediction. However, given the chaotic and non-linear structure of financial markets, the market forecasting cannot be done using a certain and simple method obtained by combining different technical tools and more sophisticated methods are required. In recent decades, neural networks have been employed as one of the most widely used methods in classification, pattern recognition and prediction of complex time series. In this research, a multilevel neural network model was provided to predict the euro-dollar exchange rate, which predicts the price on the next day with an appropriate accuracy by utilizing the data and variables derived from the technical analysis. The results demonstrated the proper function of this method versus other conventional methods of technical analysis and neural network.
_||_