پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی
محورهای موضوعی : مهندسی مالی
شاپور محمدی
1
(
دانشیار، اقتصاد سنجی، دانشگاه تهران، تهران، ایران
)
رضا راعی
2
(
دانشیار، مدیریت مالی، دانشگاه تهران، تهران، ایران
)
محمدرضا رحیمی
3
(
دانشجوی دکتری، مدیریت مالی، دانشگاه تهران، تهران، ایران
)
کلید واژه: مدل ترکیبی, خود رگرسیو میانگین متحرک انباشنه (ARIMA), شبکه عصبی پیش‌خور,
چکیده مقاله :
مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته می‌شود، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی است. اما پیش فرض اصلی این مدل خطی بودن سری های زمانی می باشد. از سوی دیگر شبکه ی عصبی یک تخمین زننده ی عمومی است که الگو های غیر خطی را بسیار خوب مدل سازی می نماید. دانستن الگوی داده ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد می گردد که تلفیق مدل های خطی و غیرخطی می تواند منجر به افزایش دقت پیش بینی گردد. از این رو، در این پژوهش بخش خطی را بوسیله ی مدل ARIMA پیش بینی کرده، آن گاه پسماند های غیر خطی را بوسیله ی شبکه ی عصبی پیش خور مدل سازی نموده و پیش بینی حاصل از آن را به مدل ARIMA ، به منظور پیش بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش رو) اضافه می نماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدل های ARIMA و شبکه ی عصبی بر اساس دو معیار MSE و MAE با استفاده از آزمون های مقایسه زوجی و دایبولد- ماریانو دال بر عملکرد بهتر مدل ترکیبی است.
Price forecasting is one of the most challenging issues that the speculators, traders and brokers are faced with. On the other hand in interval analysis it is supposed that observations and estimations in the real world are not complete and reliable so to increase the accuracy we should describe the data as the intervals that includes real quantities. Various methods are used in order to model the time series such as price. Autoregressive integration moving average (ARIMA), which is known as box-Jenkins method is one of the most commonly used models in forecasting of time series during the past three decades. But the main assumption is that there is a linear relationship between the values of the series therefore nonlinear relationships cannot be explained completely by using autoregressive integration moving average (ARIMA). Another method in time series forecasting is neural network which can estimate the various nonlinear relationship (called neural network universal estimating) but according to the literature, using network will have complicated results. Since it is difficult to understand the linear and nonlinear data pattern in reality, this idea will come to mind that the combination of linear and nonlinear models could increase the accuracy of forecasting. So in this research the linear part will be estimated by ARIMA and then the non-linear residuals will be modeled by neural network and finally the predicted result will be added to ARIMA in order to forecast the low, high and close price of gold .comparing the accuracy of the hybrid model to ARIMA and neural network by pair compared, Diebold-Mariano and Harvey-Newbold –Leybourn test and two criteria (MSE and MAE) showed that the hybrid model presented better performance.
_||_