مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک

محورهای موضوعی : آینده پژوهی

محمدعلی خطیب سمنانی ¹ , منیژه هادی نژاد ² , رکسانا خشوعی ³

1 - استادیار
2 - استادیار
3 - کارشناس ارشد اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات

تاریخ دریافت : 1392/08/24 تاریخ پذیرش : 1392/12/16 تاریخ انتشار : 1394/09/02

کلید واژه: نرخ ارز, شبکه عصبی, MFNN, NNARX, تجزیه موجک,

چکیده مقاله :

این مطالعه تلاشی است در جهت به کارگیری ترکیب مدل شبکه ی عصبی پویا و تجزیه ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش بینی متغیر مذکور می باشد. جهت تحقق این مهم، از داده های سری زمانی ماهانه ی نرخ ارز طی بازه ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل سازی ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه سازی و یا به بیان دیگر به منظور ارائه ی پیش بینی های خارج از نمونه به کار گرفته شده است.یافته های این مطالعه حاکی از آن بوده است که اولاً، مدل های شبکه ی عصبی پویا در مقایسه با مدل های شبکه ی عصبی چند لایه ی پیشخور، از عملکرد بهتری در پیش بینی خارج از نمونه ی نرخ ارز،بر مبنای هر دو معیار محاسبه ی خطای پیش بینی MSEو RMSE داشته است و ثانیاً، به کارگیری تکنیک تجزیه ی موجک سبب بهبود نتایج پیش بینی های مدل های مذکور بر مبنای هر دو معیار مذکور گشته است. ثالثاً، در میان مدل های مذکور، بهترین نتیجه متعلق به پیش بینی های حاصل از مدل های شبکه ی عصبی پویای مبتنی بر داده های تجزیه شده با تکنیک موجک بوده است. لذا، استفاده از این ترکیب مدل ها را به عنوان یک ترکیب بهینه می توان به محققان، تحلیل گران و تصمیم گیران پولی کشور، پیشنهاد نمود.

چکیده انگلیسی:

The present study is an attempt in applying the combination of dynamic neural network and decomposition of wavelet in order to make possible the selection of an optimized pattern for predicting considered variable. For the purpose of research, monthly time series of exchange rate from April 1998 to December 2012 were used including 177 observations from which 150 observations were used for modeling purpose and 27 observations were used for simulation or in other words for presenting predictions out of samples. The findings of present study imply that firstly, dynamic neural network models compared to feed-forward multilayer neural networks have better performance in predicting exchange rate out of sample, based on both criteria for prediction error calculation: MSE & RMSE and secondly, applying wavelet decomposition technique improves prediction results of mentioned models based on both criteria. The third point is that among mentioned models, the best result belongs to predictions obtained from dynamic neural networks based on decomposed data by wavelet technique. Therefore, applying this combination of models as an optimized combination is suggested to monetary researchers, analysts and decision makers of country.