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 ریزی

علی 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)،

تاریخ دریافت : 1402/10/12 تاریخ پذیرش : 1402/10/21 تاریخ انتشار : 1402/10/23

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

چکیده انگلیسی:

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.

متن کامل:



 

دوفصلنامه علمي- تخصصي اقتصاد توسعه و برنامه‌ريزي/ پاییز و زمستان 1402/ سال دهم/ شماره دوم 197  

 

مدلسازی پیش بینی نرخ ارز در ایران با استفاده از شبکه عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم ذرات انبوه

 

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).

2-1-1- تحلیل فنی

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).

2-1-2- تحلیل بنیادی

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).

 

        لایه ورودی            لایه خروجی  

 

 

 

 

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.

---