مدلسازی پیش بینی نرخ ارز در ایران با استفاده از شبکه عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم ذرات انبوه
محورهای موضوعی : دو فصلنامه علمی - تخصصی اقتصاد توسعه و برنامه ریزیعلی جمالی 1 , سعید دائی کریم زاده 2
1 - گروه مدیریت، واحد پرند، دانشگاه آزاد اسلامی، پرند،
2 - دانشیار گروه اقتصاد، دانشگاه آزاد اسلامی، واحد (خوراسگان)،
کلید واژه: نرخ ارز, شبکه عصبی مصنوعی, الگوریتم ژنتیک, الگوریتم ذرات انبوه, ,
چکیده مقاله :
در سالهای اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روشهای کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به منظور غلبه بر نقاط ضعف روش شبکه عصبی با آموزش دادههای شبکه عصبی از طریق الگوریتم تکاملی یعنی از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک (GA) و الگوریتم ذرات انبوه (PSO) جهت مدلسازی و پیش بینی روزانه نرخ های ارز اسمی در ایران در دوره زمانی 01/01/1392 تا 01/10/1398 استفاده شده است. این مدلهای ترکیبی با روش شبکه عصبی به عنوان یکی از مدلهای هوش مصنوعی با توجه به معیارهای خطای MSE، RMSE، MAE،U.Theil مقایسه میگردد. نتایج این پژوهش نشان از برتری مدل ترکیبی شبکه عصبی الگوریتم ذرات انبوه نسبت به سایر مدل های مورد بررسی تحقیق دارد
In recent years the use of artificial intelligence techniques in the financial and investment markets instead of customary quantitative methods has been increasing and gives better performance towards classic methods usually. Artificial Neural Network (ANN), has weaknesses points despite its enormous benefits also. In this study, in order to overcome the weaknesses of the network consists of combining artificial intelligence methods with Evolutionary algorithms, means of artificial neural network combined with genetic algorithm (GA) and Particle Swarm algorithm (PSO) to model and daily predict of nominal exchange rates or the exchange rate dollar by Rial in Iran in the period 21.03.2013 to 22.12.2019 is used. This combined model with neural networks method as one artificial intelligence model according to the criteria of MSE , RMSE, MAE, U.Theil compared. The results of this research show the superiority of synthetic neural network model -Particle Swarm algorithm compare to other models of investigation.
دوفصلنامه علمي- تخصصي اقتصاد توسعه و برنامهريزي/ پاییز و زمستان 1402/ سال دهم/ شماره دوم 197
چکیده
در سالهای اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روشهای کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به منظور غلبه بر نقاط ضعف روش شبکه عصبی با آموزش دادههای شبکه عصبی از طریق الگوریتم تکاملی یعنی از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک (GA) و الگوریتم ذرات انبوه (PSO) جهت مدلسازی و پیش بینی روزانه نرخ های ارز اسمی در ایران در دوره زمانی 01/01/1392 تا 01/10/1401 استفاده شده است. این مدلهای ترکیبی با روش شبکه عصبی به عنوان یکی از مدلهای هوش مصنوعی با توجه به معیارهای خطای MSE، RMSE، MAE،U.Theil مقایسه میگردد. نتایج این پژوهش نشان از برتری مدل ترکیبی شبکه عصبی الگوریتم ذرات انبوه نسبت به سایر مدل های مورد بررسی تحقیق دارد.
واژه های کلیدی: پیش بینی نرخ ارز، شبکه عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم ذرات انبوه،
طبقه بندی D51,C53 :JEL
1-مقدمه
آگاهی از تغییرات آتی نرخ ارز1 از یک طرف برای مقامات پولی جهت طراحی یک سیاست پولی کارا به منظور تثبیت قیمتها و افزایش سطح اشتغال و از طرف دیگر، برای صاحبان شرکتها و سرمایهگذاران به منظور تصمیمگیري در مورد چگونگی تخصیص دارائیهایشان مهم است (بافنده و همکاران، 1388). از اینرو پیشبینی نرخ ارز همواره براي سالیان متمادي در کانون توجهات بسیاري از سیاستگذاران و عاملان اقتصادي بوده و مطالعات مختلفی در زمینۀ مدلسازي و پیشبینی آن انجام گرفته است. لذا تدوین الگوهایی که بتواند رفتار نرخ ارز را در آینده مشخص نماید، سیاستگذاران و دولتها را در اتخاذ تصمیمات بهتر و موثرتر، یاري خواهد داد. بنابراین با توجه به اهمیت نرخ ارز در اقتصاد ایران، این تحقیق با هدف یافتن الگوي مناسب براي پیشبینی و شبیه سازی نرخ ارز بازار در ایران انجام میگیرد. در حالت کلی دو رویکرد نسبت به پیشبینی نرخ ارز وجود دارد. رویکرد اول بنیادی است که پیشبینی نرخ ارز را بر اساس دیگر متغیرهای اقتصادی انجام میدهد و رویکرد دوم تکمتغیره است که فقط از رفتار گذشته نرخ ارز برای پیشبینی روند آتی آن استفاده میکند و به نام رویکرد تکنیکال شهرت یافته است. این مدلها بر خلاف مدلهای بنیادی در جهت یافتن روابط علی بین نرخ ارز و سایر متغیرهای کلان تلاشی نمیکند. تحلیل تکنیکال بر این فرض استوار است که نرخ ارز یک متغیر تصادفی نیست، بلکه از الگوهای تکرار شونده و قابل تشخصی پیروی میکند (درگاهی و انصاری، 1387). در این مطالعه از روش تکنیکال استفاده شده است. استفاده از روشهای کلاسیک پیشبینی که عمدتاً بر پایه یک مدل رگرسیونی بنا نهاده میشوند، علیرغم سادگی در پیادهسازی و اجرا، بنا به ماهیت خود، تنها در محیطهای با تغییرات کم، با تقریب، قادر به پیشبینی هستند، اما در مواردی پیشبینی نرخ ارز در زمانی که شرایط محیطی همواره در حال تغییر است، نمیتوانند تقریب خوبی از تغییرات محیطی و پیش بینی را تخمین بزنند. از این رو، استفاده از ابزارها و مدلهای نوین جهت پیشبینی این نوع از دادهها، بیش از پیش مهم مینماید. امروزه همزمان با پیشرفت سختافزاری و نرمافزاری کامپیوترها، بهرهبرداری از سیستمهای هوشمند و روشهایی که عمدتاً بر پایه الگوریتمهای تکرارشونده و شبکههای عصبی بنا نهاده شدهاند، در حوزههای مختلف علوم کاربرد فراوانی یافته است. به عنوان مثال، شبکههای عصبی مصنوعی2 به علت ماهیت غیرخطی، در پیشبینی قیمت سهام جذابیت فراوانی در مباحث پیشبینی است. کاربرد شبکههای عصبی در مباحث اقتصادی از اواخر دهه نود با مطالعات وایت3( 1998 ) در بازار های مالی و پیش بینی قیمت سهام شرکت IBM آغاز شد. بطور کلی عمدهترین زمینه استفاده از شبکههای عصبی مربوط به مسائل پیش بینی است (ژانگ4 ، 1997).
هدف تحقیق حاضر طراحی و ارائه الگوی مناسب برای مدلسازی و پیشبینی نرخ ارز در ایران می باشد و همچنین کاربرد الگوریتم های تکاملی در پیشبینی متغیرهای مهم اقتصاد می باشد در واقع در این مطالعه برآنیم تا با آموزش شبکه عصبی مصنوعی با الگوریتم های تکاملی دقت شبکه عصبی را بهبود بخشیم.
سازماندهی این مقاله به این شرح است که: بعد از ارائه این مقدمه، ادبیات موضوع که دربرگیرنده مبانی نظری و مطالعات تجربی صورت گرفته در این زمینه است، ارائه میشود. سپس در بخش طراحی الگوی مدل، به معرفی روند انجام پژوهش و تکنیکهای ترکیبی شبکه عصبی پرداخته میشود. سپس تحلیلهای تجربی بیان شده است. در نهایت نیز به نتیجهگیری خواهیم پرداخت.
2- ادبیات موضوع
2-1- مبانی نظری تحقیق
در ادبیات اقتصاد بینالملل دو رویکرد نسبت به پیشبینی نرخ ارز وجود دارد. اول رویکرد مبتنی بر نظریه اقتصادی یا رویکرد بنیادی5 است که پیشبینی نرخ ارز را بر اساس دیگر متغیرهای اقتصادی انجام میدهد. دوم رویکرد تک متغیره است که فقط از رفتار گذشته نرخ ارز برای پیشبینی روند آتی آن استفاده میکند و به دلیل عدم توجه به سایر متغیرهای اقتصادی، به نام رویکرد فنی6 شهرت یافته است (نلی7، ۱۹۹۷). علت توسعه روشهای فنی ناکامی روشهای بنیادی در توضیح و پیشبینی در کوتاهمدت است. از جمله روشهای فنی روش هوش محاسباتی است که در سالهای اخیر بهطور گستردهای مورد مطالعه قرار گرفته و در پیشبینی سریهای زمانی به کار گرفته شده است. روشهای شبکه عصبی مصنوعی و ماشین بردار پشتیبان8(SVM) در روش هوش محاسباتی هستند که کاربردهای گستردهای در این زمینه پیدا کردهاند. بسیاری از الگوهای بنیادی، ترکیب اطلاعات اقتصاد کلان در یک ساختار خطی یا غیرخطی هستند. در حالیکه اطلاعات اقتصاد خرد نیز در مطالعات اخیر در نظر گرفته شده است. در ادامه به بررسی روشهای فنی، بنیادی و فرضیه گام تصادفی پرداخته میشود. شکل (2-1) روشهای مختلف پیشبینی نرخ ارز را نشان میدهد (موسویفرد، ۱۳۹۳).
تحلیل فنی مطالعه نرخ ارز یا قیمت هر دارایی مالی دیگر براساس عرضه و تقاضا است. تحلیلگران فنی معمولأ دادههای تاریخی را در قالب نمودارها ضبط میکنند و تلاش میکنند که روند احتمالی آتی را از تصویر تاریخی، استنباط کنند. ایده اساسی این است که نرخ ارز در بازار توسط عرضه و تقاضا تعیین میشود و این همه آن چیزی است که باید دانست.
تحلیل فنی بهخصوص وقتی تغییرات اساسی در متغیرهای بنیادین وجود ندارد و به طورخاص، برای بازههای زمانی کوتاه استفاده میشود. توجه به تحلیل فنی به علت ناتوانی روشهای بنیادین در تعیین رفتار نرخ ارز است. رفتار نرخ ارز به خصوص بعد از شناورسازی در دهه 1970 توسط روشهای برابری قدرت خرید و روشهای پولی قابل توضیح نبود.
شکل(1): روشهای پیشبینی نرخ ارز
مآخذ: ایمام (2012)9
تحلیل فنی بر این فرض استوار است که نرخ ارز یک متغیر تصادفی نیست، بلکه از الگوهای تکرار شونده و قابل تشخیص پیروی میکند. سری زمانی نرخ ارز همه اطلاعاتی را که براساس آن تصمیمات برای عرضه و تقاضا گرفته شده است، نشان میدهد. این اطلاعات شامل اطلاعات درباره متغیرهای بنیادین اقتصادی و نیز سایر متغیرهای غیرکمیسازی چون انتظارات و عوامل روانی است. این عوامل هستند که به شکلگیری الگوهایی که تحلیلگران فنی تشخیص میدهند، منجر میشوند (انصاری، 1385).
تحلیل بنیادی بررسی و مطالعه تمام عواملی است که بهطور مستقیم یا غیرمستقیم بر میزان عرضه و تقاضا اثر میگذارند. تفاوت اصلی تحلیل فنی با تحلیل بنیادی در نوع نگرش و تفسیر به نوسانات بازار است. تحلیلگر فنی معلولگرا و تحلیلگر بنیادی علتگرا است. به عبارتی تحلیل فنی مبتنی بر قیمت و حجم معاملات است و دلایل تغییر قیمت را نادیده میگیرد. درحالیکه در تحلیل بنیادی همه عواملی که منجر به تغییر عرضه و تقاضا میشوند، مورد مطالعه قرار میگیرند تا ارزش جاری و آینده ارزها در برابر یکدیگر بهدست آید.
نرخ برابری ارزهای مختلف در برابر یکدیگر با توافق همه شرکتکنندگان و بازیگران بازار پدید میآید و بیانکننده قیمت است که عدهای برای فروش در آن به توافق رسیدهاند. چنانچه در مجموع اکثریت بازار انتظار بالا رفتن نرخهای مبادله را داشته باشند، اقدام به خرید آن ارز خواهند کرد و اگر انتظار پایین آمدن نرخها را داشته باشند ارز مورد نظر را به فروش میرسانند. بنابراین تعیین قیمت در بازار به انتظارات معاملهگران از آینده قیمت بستگی دارد.
به طور کلی عوامل اقتصادی، سیاسی، مالی و بحرانها مسائلی هستند که انتظارات معاملهگران بازار را تغییر میدهند. این امر موجب عدم تعادل بین عرضه و تقاضا و در نتیجه تغییر قیمتها تا رسیدن به تعادل میگردد. هدف معاملهگر بنیادی تشخیص همین عدم تعادلها و معامله در جهت رسیدن قیمت به نقطه تعادل و در نهایت کسب سود است.
قیمت یا نرخ، نتیجه نهایی نبرد بین نیروهای وارد بر آن از طرف عرضه و تقاضا است. هدف از تحلیل فنی و تجزیه و تحلیل نوسانات، تعیین جهت حرکت در آینده است. با تمرکز بر روی قیمت و فقط بر روی قیمت، تحلیل فنی یک روش مستقیم ارایه میدهد. تحلیلگران بنیادی علاقمند هستند، بدانند چرا قیمت این مقدار است؟ چرا قیمت بالا آمده است؟ تحلیلگران فنی بر چقدر تمرکز میکنند و با چرا کاری ندارند (نفریه، 1387).
2-2- مبانی نظری شبکه عصبی
یک ساختار شبکهای، از تعدادی عناصر مرتبط به هم، به نام نرون که هرنرون، دارای ورودیها و خروجیهایی است و یک عمل نسبتا ساده و محلی را انجام میدهد، تشکیل شده است. شبکه عصبی مصنوعی، عموما عملکرد خود را طی یک پروسه یادگیری فرا میگیرد. سادهترین شبکه فقط دو لایه دارد: لایه ورودی و لایه خروجی. شبکه شبیه یک سیستم ورودی – خروجی عمل میکند و ارزشهای نرونهای ورودی را برای محاسبه ارزش نرون خروجی مورد استفاده قرار میدهد. بهطور کلی شبکههای عصبی به دو نوع شبکههای پیشخور (FNN)10 و پسخور (RNN)11 تقسیم میشوند. تفاوت آنها در این است که در شبکه های پسخور، حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرونهای همان لایه و یا لایه قبل وجود دارد. در بیشتر موارد، شبکه های عصبی پسخور میتوانند بسیار مفید واقع شوند ولی با این، حال هر 80 درصد کاربردها از شبکههای عصبی پیشخور استفاده میشود (منهاج، 1384). شکل (2) نمایش نموداری استاندارد یک شبکه عصبی را نشان میدهد. هر نرون به وسیله یک دایره و ارتباط میان نرون ها با یک فلش نمایش داده شده است. خروجی y و ورودی های x2 , x1 , x0 بردارهای n×1 هستند که در آن nتعداد مشاهدات را نشان میدهد در این مثال اطلاعات منحصرا از ورودیها به خروجی حرکت میکنند. بنابراین مدل مورد بحث به شبکه عصبی پیشخور معروف است (محمدی، 1385).
|
|
|
|
|
|
|
شکل (2): شبکه عصبی پیشخور دولایه
ارتباط میان یک ورودی و خروجی به وسیله یک وزن a که بیانگر اهمیت نسبی ورودی مذکور در محاسبه ارزش خروجی است مشخص میشود. به این ترتیب ارزش نرون خروجی مشاهده t از رابطه زیر بهدست میآید .
(1) Nett =+
سپس نرون خروجی ارزش بهدست آمده را با استفاده از یک تابع تبدیل یا فعالسازی (محرک)12 که با (x)f نشان داده میشود، پردازش میکند. در سادهترین شکل عصبی پیشخور، تابع فعالسازی خطی است. برای مثال f(x)=xارزش بهدست آمده از رابطه (1) و یک تابع فعالسازی خطی، خروجی نهایی شبکه برای t بهصورت زیر میشود:
(2) yt= f(Nett=a0x0t+a1x1t+a2x2t)= a0x0t+a1x1t+a2x2t
معمولا یک از ورودیها برای تمام مشاهدات دارای ارزش 1 است و جمله اریب نامیده میشود. اگر بپذیریم که x0 جمله اریب باشد، در آن صورت خروجی شبکه از رابطه زیر به دست میآید:
Yt=a0+a1x1t+a2x2t(3)
همانطور که مشاهده میشود یک شبکه عصبی پیشخور با دو لایه و تابع فعال سازی خطی مشابه مدل و رگرسیون خطی چند متغیره است. نرونهای ورودی همان متغیرهای مستقل یا رگرسورها هستند و نرون خروجی همان برآورد متغیر وابسته است. وزنهای مختلف شبکه نیز مشابه پارامترهای مدل رگرسیون و جمله اریب نیز همان عرض از مبدا یا جمله ثابت در مدل رگرسیون است (محمدی، 1385).
همانطور که توضیح داده شد سادهترین شبکه عصبی فقط دو لایه دارد ولی ساختار عادی یک شبکه عصبی مصنوعی، معمولا از سه لایه تشکیل میشود. لایه اول، لایه ورودی، شامل بردار متغیرهای مستقل (ورودی)، لایه دوم، لایه پنهان، شامل توابع عملگر، نرونهای پردازشکننده دادههای ورودی و لایه سوم، لایه خروجی، شامل برآورد (پیشبینی) بردار متغیر هدف (وابسته) است.
در شکل (2) یک شبکه پیشخور معمولی نشان داده شده است (شبری و همکاران13، 2014).
لایه ورودی لایه پنهان لایه خروجی
|
|
. . . |
|
|
. . . |
شکل (3): شبکه عصبی پیشخور معمولی
2-2-1- الگوریتم ژنتیک (GA)
الگوریتم ژنتیک نخستین بار به وسیله جان هلند14 در سال 1975 مطرح شد و در سالهای بعد توسط محققان دیگر توسعه پیدا کرد، الگوریتم ژنتیک بخشی از نظریه محاسبه محاسبه تکاملی است که در حال حاضر به عنوان بخشی از هوش مصنوعی به سرعت در حال رشد است. ایده اصلی این الگوریتم در نظریه تکاملی داروین نهفته است. از نظر کاربردی، الگوریتم ژنتیک یکی از روشهای بهینهسازی مسائل است که اساس آن بر انتخاب طبیعی (عامل اصلی تکامل زیستی) و برخی ازمفاهیم مهم از علم ژنتیک استوار است. در این روش برای بهینهسازی تابع هدف (تابع شایستگی) مسئله، از یک جمعیت اولیه کروموزومها (افراد) که در حقیقت پاسخهای اولیه مسئله هستند، به یک جمعیت جدید از کروموزومها یا یک نسل جدید که در حقیقت پاسخهای ثانویه مسئله مفروض است، میرسد. با تکرار این عملیات و تولید جمعیت جدید از جمعیت قبلی در هر مرحله و در نتیجه رسیدن به نسلهای موفق، جمعیت به سمت یک پاسخ بهینه رشد خواهد کرد (قنبری و همکاران، 1387).
ساختار کلی الگوریتم ژنتیک را میتوان بهصورت شکل زیر تصور کرد:
شکل(4): ساختار کلی عملکرد الگوریتم ژنتیک
بهصورت اجمالی در الگوریتم ژنتیک پیش از هر چیزی باید روشی برای تبدیل هر جواب مسئله به یک کروموزوم تعریف کرد، بنابراین مجموعهای از کروموزومها که در واقع مجموعهای از جوابهای مسئله است به عنوان یک جمعیت اولیه15 تهیه میگردد. این مجموعه، که اندازه آن دلخواه است و توسط کاربر تعیین میشود، اغلب بهصورت تصادفی ایجاد میگردد. بعد از این مرحله با بهکارگیری عملگرهای ژنتیک، کروموزومهای جدیدی موسوم به نوزاد16 تولید میگردد.
این عملگرها به دو گروه عمده عملگر تقاطعی17 و عملگر جهشی18 تقسیم بندی میشود. برای گزینش کروموزومهایی که باید نقش والدین را داشته باشند، دو مفهوم نرخ تقاطعی و نرخ جهشی نیز بهکار برده میشود که این دو نرخ لازم است پیش از شروع الگوریتم تعیین گردند. بعد از تولید یک سری کروموزوم جدید یا نوزادان نسل اول با استفاده از عملکرد ارزیابی، به انتخاب برازندهترین کروموزومها اقدام میشود. این عمل که طی فرایند انتخاب انجام میشود، گلچینکردن کروموزومهای برازنده از میان والدین و نوزادان است. فرایند انتخاب19 بر مقدار برازندگی20 هر رشته مبتنی است. در واقع میتوان گفت که فرآیند ارزیابی21 محوریترین بحث در فرآیند انتخاب است. تا بدین مرحله یک تکرار یا یک نسل از الگوریتم طی شده است. الگوریتم پس از طی چندین نسل بهتدریج به سمت جواب بهینه همگرا میشود. شرط توقف مسئله نیز طیکردن تعداد معینی تکرار است که پیش از آغاز الگوریتم توسط کاربر تعیین میشود ( چن و همکاران، 2000).
2-2-2- الگوریتم بهینهسازی حرکت تجمعی ذرات (PSO)22
در سالهای اخیر با توجه به محدودیتهای موجود در روشهای ریاضی، پژوهشهای بسیاری در زمینه استفاده از الگوریتمهای تکاملی در جهت بهینهسازی انجام شده است. یکی از کاراترین تکنیکهای مورد استفاده در این زمینه تکنیک بهینهسازی حرکت تجمعی ذرات (PSO) است. این الگوریتم را جیمز کندی23 (روانشناس اجتماعی) و راسل ابرهارت24 (مهندس برق) در 1995 برای حل مسائل بهینهسازی، که ماهیت پیوسته بر جوابهای آنها حاکم است، مطرح کردند. بسیاری از نویسندگان، کار آنها را توسعه دادهاند. این الگوریتم الهام گرفته از پرواز همزمان پرندگان، شنای دسته جمعی ماهیها و زندگی اجتماعی آنها می باشد. این الگوریتم از رفتار اجتماعی دسته پرندگان و ماهیها الهام گرفته شده است. دستهای از پرندگان را که در محیطی به دنبال غذا میگردند در نظر بگیرید. هیچ یک از آنها اطلاعی از محل غذا ندارند، ولی در هر مرحله، فاصله خود تا محل غذا را میدانند. بر این اساس، بهترین رویکرد برای پیدا کردن غذا، پیروی از نزدیکترین پرنده به غذا میباشد. الگوریتم پرواز پرندگان، این رفتار را در مسائل بهینهسازی شبیهسازی میکند (ابراهات و همکاران، 2006).
که با استفاده از یک سری روابط ساده ترکیب بندی شده است. جمعیت (حرکت تجمعی)25 درPSO ، شامل مجموعه ای از اعضا است که به هر عضو داخل جمعیت یک ذره26 گفته می شود. در این تکنیک از مفهوم جانمایی همسایگی جی بست27 استفاده می شود. یعنی هر ذره بهترین موقعیت قبلی خود و بهترین موقعیت قبلی هر یک از ذرات موجود در جمعیت را به خاطر می آورد و به عبارت دیگر هر ذره در جهت بهترین موقعیت قبلی خود و به سمت بهترین ذره در حرکت است ( کندی و همکاران28 ، 1995). کندی در سال 1998 شرح داد که در الگوریتم PSO، هر ذره نماینده یک جواب ممکن است که به صورت تصادفی در فضای مسئله حرکت می کند. تغییر مکان هر ذره در فضای جستجو تحت تاثیر تجربه و دانش خود و همسایگانش است. بنابراین موقعیت ذرات دیگر گروه، بر چگونگی جستجو، یک ذره اثر میگذارد. نتیجه مدلسازی این رفتار اجتماعی، فرایند جستجویی است که در آن ذرات به سمت نواحی مناسب میل میکنند. ذرات در گروه از یکدیگر میآموزند و بر مبنای دانش به دست آمده، به سمت بهترین همسایگان خود حرکت می کنند ( پلی و همکاران29، 2007). در واقع اساس کار الگوریتم PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تا کنون در آن قرار گرفته و بهترین مکانی که در همسایگیاش وجود دارد، تنظیم میکند (کندی و همکاران، 1995). شکل(4) فرایند تغییر موقعیت ذره ها را در الگوریتم PSO نشان می دهد .
شکل(4) : فرایند تغییر موقعیت ذرات در الگوریتم بهینه سازی حرکت تجمعی ذرات
فرض کنید یک فضای D بعدی30 وجود دارد وi امین ذره از گروه می تواند با یک بردار سرعت و یک بردار موقعیت نشان داده شود. تغییر موقعیت هر ذره، با تغییر در ساختار موقعیت31 و سرعت32 قبلی امکان پذیر است. هر ذره اطلاعاتی شامل بهترین مقداری را که تاکنون به آن رسیده (Pbest)33 و موقعیت xi را داراست. این اطلاعات از مقایسه تلاشهایی که هر ذره برای یافتن بهترین جواب انجام میدهد، به دست می آید. همچنین هر ذره بهترین جوابی که تاکنون از مقدار Pbest ها در گروه به دست آمده است را میشناسد (Gbest)34. هر ذره برای رسیدن به بهترین جواب سعی میکند که موقعیت خود را با استفاده از اطلاعات زیر تغییر دهد :
موقعیت کنونی xi، سرعت کنونی vi، فاصله بین موقعیت کنونی و Pbest و فاصله بین موقعیت کنونی و Gbest. بدین ترتیب سرعت ذره به صورت زیر تغییر میکند :
YIK+1=w.vik + C1r1(pbesti - xiK) + C2r2(Gbesti - xik) (4)
در رابطه فوق:
Vik سرعت هر ذره در تکرار kام، w پارامتر وزنی،c1 و c2 فاکتور وزنی، r1و r2 عدد تصادفی در بازه [0.1]، XiK موقعیت هر ذره را در تکرار K ام، Pbesti برابر Pbest در ذره i و Gbesti نیز Gbest در گروه است ( پلی و همکاران، 2007). موقعیت هر ذره نیز بر اساس رابطه زیر تعیین می شود :
Xik+1 = xik + vik+1 ( 5)
3-3-1-پارامترهای الگوریتم PSO
پارامتر وزنی W در رابطه (5) برای تضمین همگرایی در PSO و همچنین کنترل تاثیر سوابق سرعتهای پیشین بر سرعت های جاری مورد استفاده قرار میگیرد. یک مقدار مناسب پارامتر وزنی، معمولا تعادلی را بین قابلیت جستجو کلی35 و جستجوی محلی36 ایجاد میکند ( کندی و همکاران، 1995). با انتخاب مناسب مقدار پارامتر وزنی، میزان تکرار برای یافتن جواب بهینه کاهش مییابد. ضریب ثابت اینرسی بزرگتر از یک، هر چند سبب می شود فضای جستجوی الگوریتم وسیع تر گردد، اما الگوریتم را ناپایدار می کند. زیرا اثر سرعت پیشین را افزایش می دهد. در ابتدا مقدار W ثابت در نظر گرفته میشد، اما بعدها مطالعات ابرهارت در سال های 1998 و 1999 در این زمینه منجر به تغییر شگرفی در الگوریتم PSO شد. آنها پارامتر وزنی را به صورت خطی از مقدار بیشینهای چون تا مقدار حداقل آن به صورت زیر تغییر دادند :
(6)
در رابطه مذکور: WMAX وزن ابتدایی، WMAX وزن انتهایی، Iter شماره تکرار و iterMAX بزرگترین شماره تکرار است (پلی و همکاران، 2007). پارامترهای C1 و C2در رابطه (6) برای همگرایی PSO چندان بحرانی نیستند. مقدار مناسب ممکن است جواب را زودتر همگرا کند و از احتمال گیر افتادن در نقطه مینیمم محلی جلوگیری میکند. در ابتدا مقدار C2 = C1 پیشنهاد شد، اما مطالعات بعدی نشان داد که 5/0= C1=C2 میتواند در رسیدن به جواب بهینه مفیدتر باشد. در حالت کلی C2 وC1 می تواند متفاوت انتخاب شوند اما شرط 4C1+C2> بایستی همواره برقرار باشد ( کندی و همکاران، 1995). پارامترهای r2 و r1 برای حفظ تنوع و گوناگونی در گروه بهکار میروند. مقدار مناسب این پارامترها، در یکنواختی جواب ها تاثیر گذار است و این پارامتر به صورت تصادفی در بازه [0.1] انتخاب میشوند. این مقادیر به ذرات این اجازه را میدهند که در گام های تصادفی، در محدوده بین Gbest و pbest حرکت کنند ( پلی و همکاران، 2007).
شکل (6) : ساختار کلی عملکرد الگوریتم انبوه ذرات (PSO)
3- پیشینه تحقیق
نلی و ولر37 (2002)، در پژوهشی با استفاده از دادههای فصلی2001- 1981 به پیشبینی نوسانات نرخ ارز با روشهای الگوریتم ژنتیک و روش کلاسیک در آمریکا پرداختند. آنها اثبات کردند که الگوریتم ژنتیک (GA) بهتر از پیش بینی مدلهای سری زمانی در نوسانات نرخ ارز می باشد. آنها مدل الگوریتم ژنتیک را با مدلهای GARCHو ماتریسهای ریسک مقایسه کردند.
طیبی و همکاران (1387)، در مقالهاي با به کارگیري شبکههاي عصبی مصنوعی در پیشبینی روند سالیانه نرخ ارز در ایران و مقایسه آن با روشهاي اقتصادسنجی، با استفاده از اطلاعات سالهاي 1338-1381 ایران، به آزمون این فرضیه که شبکه عصبی مصنوعی نسبت به روشهاي معمول اقتصادسنجی و مدلهاي سريهاي زمانی در پیشبینی روند نرخ ارز از کارایی بیشتري برخوردار است، پرداختهاند. در این مطالعه روند متغیر نرخ ارز در دوره زمانی ذکر شده توسط سه روش رگرسیونی، ARIMA و شبکه عصبی مصنوعی (ANN ) پیشبینی شده است. ملاك ارزیابی مقادیر پیشبینی شده روند نرخ ارز یکسانسازي شده در این پژوهش، میانگین انحراف معیار (MSE)، ریشه میانگین انحراف معیار (RMSE) و نابرابري تایل (TIC) موید صحت این مطلب است که روش شبکههاي عصبی از کارایی بالاتري نسبت به سایر روشهاي رقیب برخوردار است زیرا مقادیر پیشبینی شده توسط شبکۀ عصبی به مقادیر واقعی نزدیکتر و از خطاي اندازهگیري کمتري برخوردار است.
شاری و قارلقی38(2011)، یک الگوی ترکیبی شامل ANN و ARIMA به منظور ارائه الگویی با پیشبینی دقیقتر نسبت به ARIMA مطرح کردند. این پژوهش برای نرخ ارز رینگیت مالزی به دلار ایالات متحده و با استفاده از شبکه عصبی پیشخور (FFNN)39 انجام شد. یافتههای آنها نشان داد که معیار MSE و MAE در الگوی ارائه شده برای تمام افقهای زمانی درمقایسه با الگوی ARIMA بهصورت چشمگیری کاهش یافت.
سیوسیر40(2012)، در مقالهای به بررسی انواع مدلهای پولی در کشور ترکیه به منظور پیشبینی نرخ لیره در برابر دلار پرداخته است. در این مطالعه ابتدا وجود رابطه بلندمدت بین متغیرهای لحاظ شده در مدلهای پولی در نظرگرفته شده مورد بررسی قرارگرفته است و رابطه بلندمدت میان مدل پولی چسبندگی قیمتها با نرخ ارز تایید شده است. سپس با استفاده از روابط تعادلی بلندمدت و پویایی کوتاه مدت، سیستم معادلات همزمان ساخته شده است، در گام بعدی توانایی مدلهای پولی در پیشبینی نرخ ارز بررسی شده است. بر اساس نتایج بهدست آمده از این مطالعه، پیشبینی های صورت گرفته در مدلهای پولی، با استفاده از مدل تصحیح خطا بهطور معناداری بهتر از مدل گام تصادفی است.
خداویسی و ملا بهرامی (1391)، در پژوهشی به منظور مدلسازی و پیش بینی روند سری زمانی نرخ ارز در بازار رسمی ارز ایران، مدل های معادلات دیفرانسیل تصادفی حرکت برآونی ژئومتری و انتشار- پرش مرتن را به کار گرفته اند. به منظور بررسی عملکرد این مدل در پیش بینی خارج از نمونه نرخ ارز، مقایسه ای بین این مدل ها با مدل اقتصاد سنجی سری زمانی ARIMA انجام گرفته است. نتایج پژوهش حاکی از آن است که مدل های پیشنهادی در این پژوهش دارای عملکرد بهتری نسبت به مدل ARIMA در پیش بینی داخل و خارج از نمونه نرخ ارز براساس معیار RMSE می باشند.
حسین زاده (1391)، به پیش بینی نرخ ارز بر اساس الگوهای ARIMA، ANN و الگوی ترکیبی ANN - ARIMA پرداخت. نتایج حاصل از مقایسه سه الگوی مذکور برای دوره زمانی 1390-1387 نشان می دهد که در پیش بینی نرخ ارز (دلار در مقابل ریال)، روش ترکیبی عملکرد بهتری در مقایسه با الگوهای ARIMA و ANN دارد.
شریف مقدم و همکاران(1397)، در تحقیقی باعنوان پیشبینی نرخ ارز یورو با تکنیک شبکه عصبی مصنوعی به پیش بینی نرخ ارز یورو به دلار در بازه زمانی 2014 تا 2016 با استفاده از شبکه های عصبی چند لایه پرداختند. در این تحقیق از مقادیر چهارتایی قیمت در روزهای گذشته به همراه ترکیبی از اندیکاتورهای معروف تکنیکال و روندهای گذشته به همراه اطلاعات تکنیکال دوره زمانی بالاتر به عنوان ورودی به شبکه عصبی تزریق گردید. جهت ارزیابی شبکه عصبی از روشهای ارزیابی متداول در یادگیری ماشین استفاده گردید و سه معیار درستی، صحت و دقت بررسی گردید و نتایج بیانگر دقت قابل قبول (73%) مدل پیشنهادی میباشد.
مین و ویگو41 (۲۰۱۷)، در پژوهشی با عنوان بررسی مدل پیشبینی نرخ ارز بر اساس مدل شبکه عصبی و ARIMA، یک الگوی ترکیبی شامل شبکه عصبی مصنوعی و ARIMA به منظور ارائه مدلی با پیشبینی دقیقتر نسبت به ARIMA مطرح کردند. این مطالعه برای نرخ ارز یوهان چین و با استفاده از شبکه عصبی مبتنی بر الگوریتم پس انتشار خطا (BP) از سال ۲۰۰۱ تا ۲۰۱۷ انجام شد. یافتههای آنها بیانگر آن بود که خطای پیشبینی مدل ترکیبی در مقایسه با الگوی منفرد ARIMA و ANN کاهش یافت.
4- روند انجام پژوهش و تکنیکهای ترکیبی شبکه عصبی
شبکههای عصبی در بسیاری از زمینه های مختلف مورد استفاده قرار گرفته است. با این وجود، دستیابی به نتایج مطلوب تنها زمانی ممکن بوده است که منبع غنی داده ها با مشاهدات فراوان در اختیار باشد و زمانی که با داده های اندک برای آموزش شبکه مواجه بوده ایم ، کارایی بالایی نداشته که این نقص کاربردهای شبکه عصبی را بهشدت محدود می کند. از این رو در این مطالعه به منظور غلبه بر مسائل فوق ، به کمک الگوریتم انبوه ذرات و الگوریتم ژنتیک به آموزش شبکه عصبی پرداخته و سپس کارایی آنان با شبکه عصبی مقایسه شده و بهترین روش در پیش بینی نرخ ارز معرفی می شود . روند انجام پژوهش در شکل زیر نشان داده شده است.
شکل) 7 :(روند انجام پژوهش
5- مجموعه دادهها
در این پژوهش دادههای مورد نیاز به منظور مقایسه مدل های مورد استفاده ، شامل سری زمانی روزانه نرخ برابری دلار با ریال در بازه زمانی 01/01/1392 تا 01/10/1398 بوده است که از پایگاه بانک مرکزی جمهوری اسلامی ایران اخذ شده و در مجموع 2467 مشاهده را در بر می گیرد. این داده ها از دو بخش تشکیل شده اند. نخست داده های مربوط به دوره 5/1/ 1393 تا 5/1/1397 برای آموزش و بخش دوم از 6/1/1397 تا 29/10/1401 برای آزمایش و مقایسه مدل شبکه عصبی پیشخور و مدل ترکیبی عصبی- ژنتیک و مدل ترکیبی عصبی- ذرات انبوه مورد استفاده قرار میگیرد.
جدول(1): تقسیم بندی دادهها به دادههای آموزش و آزمون
سری زمانی | اندازه نمونه | اندازه مجمو عه آموزش | اندازه مجموعه آزمایش |
نرخ ارز (دلار در مقابل ریال) | 2467 | 70% | 15%
|
ماخذ: یافته های تحقیق
6- نتایج پژوهش
یکی از اهداف اصلی این پژوهش، بررسی کارایی و دقت مدلهای ترکیبی در بالابردن توانایی شبکه عصبی است، لذا ساختار شبکه عصبی در سه مدل شبکه عصبی مصنوعی و مدلهای شبکه عصبی- ژنتیک و ترکیبی شبکه عصبی- ذرات انبوه یکسان می باشد. انواع مختلفی از شبکههای مصنوعی با توجه به اهداف تحقیق می توان استفاده کرد. در این مطالعه از شبکه عصبی پیشخور(MFNN)42 استفاده شده است. جدول (2) چگونگی طراحی و مدلسازی نرخ ارز دلار را در شبکه عصبی نشان می دهد.
جدول (2): طراحی و مدل سازی نرخ ارز دلار در شبکه عصبی مصنوعی
نوع شبکه عصبی | پیشخور چند لایه | الگوریتم آموزش شبکه عصبی | لونبرگ-مارکوات |
تابع فعالسازی {لایه ی پنهان-لایه ی خروجی} | تانژانت ها یپربولیک-خطی | شرط توقف فرایند آموزش | eav≤1e-4 |
تعداد نورون ورودی { دلار} | 1 | دوره ی زمانی آموزش LEVENBERG-MARQUARDT | 5/1/1391-5/1/1393 |
تعداد نرون خروجی | 1 | دوره ی زمانی آموزش LEVENBERG-MARQUARDT | 6/1/1393-29/12/1394 |
معیار تعیین تعداد نرون های مخفی | MSE | نسبت داده های آموزش و آزمایش | 70% به15% |
تعداد لایه های پنهان | 1 | نرخ یادگیری | 0.1 |
تعداد نرون های پنهان | 10 |
|
|
ماخذ:یافته های تحقیق
در این مطالعه از شبکه عصبی پیشخور چند لایه، دارای نرون در لایه پنهان و تابع فعالسازی تانژانت هایبربولیک برای لایه پنهان و تابع فعالسازی خطی43 برای لایه خروجی استفاده شده است. پس از تعیین تعداد وقفه های بهینه، برای انتخاب تعداد نرون لایه های پنهان شبکه، شبکه های مختلف با تعداد نرون های پنهان متفاوت طراحی شده و آموزش داده می شود. از میان این شبکه ها با توجه به معیار MSE شبکه بهینه انتخاب می گردد. یعنی شبکه با کمترین MSEکه دارای 10 نرون پنهان بود به کار گرفته می شود. دوره آموزش و آزمایش، شامل 2467 داده می باشد. تعداد دادههای آموزش و آزمایش مدل به نسبت 70% به 15 % تقسیم می گردد و از نرخ یادگیری 0.1 استفاده می شود. برای توقف فرایند آموزش از روش early stopping بهره گرفته می شود.
7-ارزیابی مدل های پیش بینی
در این مرحله برای بررسی عملکرد مدل های پیش بینی نرخ ارز، نتایج مدل ترکیبی شبکه عصبی- ژنتیک و مدل ترکیبی شبکه عصبی- ذرات را با مدل شبکه عصبی مصنوعی مقایسه می کنیم. به منظور مقایسه قدرت پیش بینی شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی- ژنتیک از معیار های میانگین مربع خطا (MSE)، مجذور میانگین مربع خطا (RMSE )، میانگین قدر مطلق خطا (MAE) و آماره U تایل استفاده شده است.
جدول (3): مقایسه قدرت پیش بینی مدل شبکه عصبی و سایر مدلهای ترکیبی
معیار | ANN | ANN- GA | ANN- PSO | |
MSE | 104×32/1 | 104×24/1 | 104×10/1 | |
RMSE | 102×15/1 | 102×11/1 | 102×05/1 | |
MAE | 62/65 | 20/62 | 50/62 | |
U.Theil | 003/0 | 0029/0 | 0028/0 |
ماخذ:یافته های تحقیق
همان طور که در جدول (3) مشاهده می شود مدل ترکیبی شبکه عصبی با الگوریتم ذرات انبوه از نظر تمامی معیار های ارزیابی عملکرد بر سایر روشهای رقیب برتری قابل توجهی دارد. بنابراین بر اساس نتایج بدست آمده مدل ترکیبی شبکه ی عصبی مبتنی بر الگوریتم ذرات انبوه دارای خطای کمتر و در نتیجه کارایی بیشتر در پیش بینی روز آتی نرخ های ارز برخوردار است. در ادامه برای ارزیابی دقت مدلهای بکار گرفته شده در تحقیق، نرخ ارز برای دوره زمانی فروردین 1392 تا دی ماه 1398پیش بینی می شود که نتایج آن در ذیل آمده است.
نمودار 1: مقایسه بین مقادیر واقعی و پیش بینی توسط مدل شبکه عصبی مصنوعی
نمودار 2: مقایسه بین مقادیر واقعی و پیش بینی توسط مدل ANN-GA
نمودار 3: مقایسه بین مقادیر واقعی و پیش بینی توسط مدل ANN-PSO
مطابق با نمودار های فوق مدل ترکیبی شبکه عصبی-ذرات انبوه دارای خطای 503/7 می باشد که نسبت به دو مدل دیگر دارای خطای کمتری می باشد و این بیانگر برتری این مدل در پیش بینی نرخ ارز دلار می باشد و می توان نتیجه گرفت با آموزش داده ها توسط مدل ذرات انبوه می توان دقت شبکه عصبی را بهبود داد.
8-پیش بینی خارج نمونه نرخ ارز با استفاده از مدلهای پیشنهادی
پیش بینی 10 درصد کل دادهها (240روز آتی) بهصورت زیر می باشد که همانطور که طبق نمودار مشاهده می شود دو مدل شبکه عصبی مصنوعی و شبکه عصبی – ذرات انبوه رفتار و پیش بینی منطقتری نسبت مدل شبکه عصبی-ژنتیک داشته و مدل شبکه عصبی مصنوعی یک روند افزایشی با شیب افزاینده و مدل ترکیبی عصبی- ذرات انبوه روند افزایشی با روند کاهنده برای نرخ ارز دلار را پیش بینی نموده است.
نمودار 4:پیش بینی مدل ANNنمودار 5: پیش بینی مدل ANN-GA
نمودار 6:پیش بینی مدل ANN-PSO
9- نتیجهگیری
امروزه پیش بینی روند متغیرهاي اقتصادي از اهمیت ویژه اي براي سیاستگذاران دولتی و خصوصی در تنظیم روابط و مناسبات اقتصادي برخورداراست. روشهای مختلفی برای پیشبینی کوتاه مدت و بلند مدت متغیرهاي اقتصادي وجود دارد. در این میان در سالهاي اخیر شبکه ي عصبی مصنوعی به عنوان رقیبی براي روشهاي سنتی آماري ظهور کرده است. در این مطالعه، مدلی نوین ترکیبی شبکه عصبی مصنوعی جهت پیش بینی نرخ ارز در ایران ارائه شده است. در طراحی شبکه، از شبکه عصبی پیشخور چند لایه، دارای نرون در لایه پنهان و تابع فعالسازی تانژانت هایبربولیک برای لایه پنهان و تابع فعالسازی خطی برای لایه خروجی استفاده شده است. پس از تعیین تعداد وقفه های بهینه، برای انتخاب تعداد نرون لایه های پنهان شبکه، شبکه های مختلف با تعداد نرون های پنهان متفاوت طراحی شده و آموزش داده می شود. از میان این شبکه ها با توجه به معیار MSEشبکه بهینه انتخاب می گردد. یعنی شبکه با کمترین MSEکه دارای 10 نرون پنهان بود به کار گرفته میشود. تعداد دادههای آموزش و آزمایش مدل به نسبت 70% به 15 % تقسیم گردید و از نرخ یادگیری 0.1 استفاده شده است. برای توقف فرایند آموزش از روشearly stopping بهره گرفته شد. در ادامه برای مقایسه مدلهای بکار رفته در تحقیق از معیارهای خطا استفاده می شود . مقادیر این معیارهای خطا یعنی MSE، RMSE، MAE، U.Theil برای مدل ترکیبی شبکه عصبی مبتنی بر الگوریتم ذرات انبوه به ترتیب برابر با 104×1.10، 102×1.05 ،62.50 و 0.0028 میباشد که بر اساس همه معیارهای ارزیابی مدل ترکیبی شبکه عصبی مصنوعی – ذرات انبوه که برای اولین بار در مطالعات داخلی برای پیش بینی نرخ ارز به کار گرفته شده نسبت به مدل شبکه عصبی مصنوعی پیشخور که برتری نسبی نسبت به روشهای خطی و متعارف اقتصاد سنجی داشت از خطای کمتری برخوردار بود و پس از آن روش ترکیبی شبکه عصبی مصنوعی – ژ نتیک و شبکه عصبی مصنوعی پیشخور در رده های بعدی با خطای کمتر قرار گرفتند. علاوه بر مقایسه پیش بینی روند نرخ ارز با استفاده از 10 درصد کل داده ها برای 247 روز آتی انجام شد که مطابق با آن دو مدل شبکه عصبی مصنوعی و شبکه عصبی – ذرات انبوه رفتار و پیش بینی منطقی تری نسبت مدل شبکه عصبی-ژنتیک داشته و مدل شبکه عصبی مصنوعی یک روند افزایشی با شیب افزاینده و مدل ترکیبی عصبی- ذرات انبوه روند افزایشی با روند کاهنده برای نرخ ارز دلار را پیش بینی نموده است. لذا نتایج حاصله بیانگر آن است که آموزش داده های شبکه عصبی توسط الگوریتم ذرات انبوه خطای شبکه عصبی و در نتیجه دقت پیش بینی را بهبود می بخشد. با توجه به نتایج تحقیق، پیشنهاد میشود از الگوریتم ارائه شده به منظور پیشبینی مطلوبتر و دقیقتر پیشبینی نرخ ارز استفاده شود. با توجه به قدرت بالای پیش بینی تکنیک پیشنهادی، مقایسه این تکنیک با دیگر روشها در پیشبینی سایر متغیرهای اقتصادی در مطالعات آتی نیز دست کم می تواند شاهدی بر کارایی آن باشد.
منابع
1. انصاری، رضا (1385)، مدلسازی رفتار کوتاهمدت نرخ ارز با استفاده از روشهای شبکههای عصبی با تاکید بر شاخصهای تلاطم، پایاننامه کارشناسی ارشد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف.
2. بافنده ایمان دوست، صادق، فهیمی فرد، سید محمد و سمیه شیرازی (1388)،"پیش بینی نرخ ارز با مدلهای عصبی- فازی ANFIS، شبکه عصبی- خودرگرسیونی NNARX و خودرگرسیونیARINA در اقتصاد ایران (1387-1381)"، مجله دانش و توسعه، شماره 28، ص 192-176.
3. بیل، راسل و تئو جکسون (1380)، آشنایی با شبکه عصبی، ترجمه محمد البرزی، تهران، موسسه انتشارات علمی دانشگاه صنعتی شریف.
4. خاشعی، مهدی و بیجاری، مهدی (1386)، به کارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیشبینی نرخ ارز، استقلال (ویژهنامه روشهای عددی در مهندسی، سال 26، شماره 2، ص 76-75.
5. خداویسی، حسن، وفاومند، علی (1392)، مقایسه پیشبینی نرخ ارز بر اساس مدلهای غیرخطی STAR و مدلهای رقیب، فصلنامه مدلسازی اقتصادی، سال هفتم، شماره 3، ص 103-85.
6. درگاهی، حسن،1378، "پویایی نرخ ارز با تاکید بر نقش انتظارات و اطلاعات جدید "، چاپ دوم، موسسه تحقیقات پولی و بانکی.
7. زراءنژاد، منصور، فقه مجیدی، علی و روح الله رضایی (1387)،"پیشبینی نرخ ارز با استفاده از شبکههای مصنوعی و مدل ARIMA"، فصلنامه اقتصاد مقداری، شماره 4، ص 130-107.
8. سالواتوره، دومینیک (1387)، مالیه بینالملل، ترجمه حمید رضا ارباب، تهران،نشر نی.
9. شریف مقدم، شفق و هاشمی، سید ذبیح الله(1397)، "پیشبینی نرخ ارز یورو با تکنیک شبکه عصبی مصنوعی"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره سی و هفتم، ص 413-399.
10. طیبی، سید کمیل، موحدنیا، ناصر و معصومه کاظمی (1387)، "به کارگیری شبکه عصبی مصنوعی در پیش بینی متغیرهای اقتصادی و مقایسه آن با روش های اقتصادسنجی: پیشبینی روند نرخ ارز در ایران "، مجله علمی پژوهشی شریف، شماره 43، ص 130-107.
11. عباسی نژاد، حسین و احمد محمدی (1386)، " پیش بینی نرخ ارز با استفاده از شبکه عصبی و تبدیل موجک " ، نامه مفید، شماره 60، ص 42-19 .
12. محمدی، احمد (1385)، پیشبینی نرخ ارز با استفاده از شبکه عصبی و تبدیل موجک، پایاننامه کارشناسی ارشد، دانشگاه تهران، دانشکده اقتصاد.
13. منهاج، محمد باقر (1379)، هوش محاسباتی، مبانی شبکه عصبی، جلد اول، تهران، انتشارات دانشگاه صنعتی امیر کبیر.
14. موسوی فرد، فاطمه (۱۹۹۳)، طراحی یک الگوی هوش محاسباتی ترکیبی برای پیشبینی نرخ ارز در ایران، پایاننامه کارشناسی ارشد، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران.
1 .Civcir, I. (2012), "The Monetary Models of the Turkish Lira/ Dollar Exchange Rate: Long-Run Relationships, Short-run Dynamics and Forecasting", Forthcoming in Eastern European Economics.
2.Dornbusch, R(1976), Expectation and Exchange Rate Dynamics. Journal of Political Economy 84, P 1161-1176.
3. Gen, M and cheng, R. 2007. Genetic Algorithm and Engineering Optimization, New York: Wiley- Inter science Publlication.
4.Gharleghi, B., Shaari, A. H. & M. D. Nor (2012), "Is Monetary Variable Determinant in the Ringgit- Dollar Exchange Rates Model?: A Co Integration Approach", Sains Malaysiana, Vol. 41, No. 9, P. 1163-1169.
5. Imam, T. 2012. Intelligent computing and Foreign Exchange rate prediction: What we know and we Do not progress in intelligent computing and Applications,1, pp: 1-15
6.Kennedy, J., Eberhart, R.C., (1995). Particle Swarm Optimization. In Proceedings of the IEEE International Conference on Neural Network IV.
7.Poli, R., Kennedy, j., Blackwell, T., (2007). Particle Swarm Optimization: an overview. Swarm Intell, 1: 33-57
8. Nelly, C.J. and Weller. 2002. “Predicting Exchange Rate Volatility: Genetic Programming versus GARCH and Risk Metrics”, The FederalReserve Bank of St. Louis, May/June, Volume 84, no.3. pp: 43-54.
9. Zhang, G, Patuwo, B.E. and Hu, M.Y(1997) " forecasting with artificial neural Networks: The state of the art" , neurocomputing, 56, p, 205-232.
The Modeling of Exchange Rate Predict in Iran by Using Neural Network Based on Genetic Algorithms and Particle Swarm Algorithm
Abstract
The use of artificial intelligence techniques in the financial and investment markets instead of customary quantitative methods has been increasing in recent years and gives better performance towards classic methods usually. Artificial Neural Network (ANN), has weaknesses points despite its enormous benefits also. In this study, in order to overcome the weaknesses of the network consists of combining artificial intelligence methods with Evolutionary algorithms, means of artificial neural network combined with genetic algorithm (GA) and Particle Swarm algorithm (PSO) to model and daily predict of nominal exchange rates or the exchange rate dollar by Rial in Iran in the period 21.03.2013 to 22.12.2022 is used. This combined model with neural networks method as one artificial intelligence model according to the criteria of MSE, RMSE, MAE, U.Theil compared. The results of this research show the superiority of synthetic neural network model -Particle Swarm algorithm compare to other models of investigation.
Keywords: Exchange Rate predict, Artificial neural networks, Genetic algorithms, Particle Swarm algorithm.
JEL classification: D51,C53
[1] Exchange rate
[2] Artificial neural network
[3] White
[4] Zhang
[5] Fundamental Approach
[6] Technical Approach
[7] Nelly
[8] Support Vector Machaine
[9] Imam
[10] Feedforward neural network
[11] Recurrent neural network
[12] Transfer or Activation Function
[13] Shabri & Samsudin
[14] John Holland
[15] Initial Population
[16] Off spring
[17] Crossover Operator
[18] Mutation Operator
[19] Selection
[20] Fitness value
[21] Evaluation
[22] Particale Swarm Optimization algoritms
[23] Kennedy
[24] Eberhat, R. C
[25] Swarm
[26] Particale
[27] Gbest Neighborhood Topology
[28] Kennedy et al
[29] Poli et al
[30] D.Demensional
[31] Position
[32] Velocity
[33] Previous Best
[34] Global Search
[35] Global Search
[36] Local Search
[37] Nelly and Weller
[38] Shaari & gharleghi
[39] Feed Forward Neural Network
[40] Civcir
[41] Min and Weiguo
[42] Multilayered Feed forward Neural Network
[43] در ادبیات شبکه عصبی معمولا منظور از یک تابع فعالسازی خطی استفاده از یک تابع خطی همانی است.
-
تحلیل اثر فساد اداری بر تولید ناخالص داخلی سرانه در کشورهای منتخب صادرکننده نفت
تاریخ چاپ : 1402/05/01 -
-