مقایسه عملکرد شبکه‌های عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیش‌بینی کوتاه مدت روند نرخ ارز در ایران

محورهای موضوعی : دانش سرمایه‌گذاری

عباسعلی ابونوری ¹ , فرداد فرخی ² , سیده فاطمه شجاعیان ³

1 - استادیار دانشکده اقتصاد و حسابداری دانشگاه آزاداسلامی واحد تهران مرکزی.
2 - استادیار دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد تهران مرکزی.
3 - کارشناس ارشدعلوم اقتصادی دانشکده اقتصادوحسابداری دانشگاه آزاد اسلامی واحد تهران مرکزی

تاریخ دریافت : 1392/07/18 تاریخ پذیرش : 1392/12/25 تاریخ انتشار : 1392/12/25

کلید واژه: نرخ ارز, پیش بینی, شبکه های عصبی مصنوعی(ANN), خود رگرسیون میانگین متحرک انبا,

چکیده مقاله :

نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گذاران در کاهش این نااطمینانی از طریق پیش بینی این متغیر باکمترین خطا بوده است. شبکه های عصبی مصنوعی از قابلیت بالایی در مدلسازی فرآیندهای پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. لذا در این مطالعه سعی گردیده است تا با استفاده از شبکۀ عصبی مصنوعی(ANN) علاوه بر مدل سازی و پیش بینی روزانه نرخ ارز طی دوره زمانی فروردین 1381 تا اسفند 1384، و کمینه نمودن خطای پیش بینی توسط این روش، نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA بر اساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گیرد. برای بررسی حساسیت نتایج مدل نسبت به نرخ ارز، تخمین مدل با روش مشابه برای سه دسته داده نرخ ارز دلار، یورو و پوند انجام گرفته است. نتایج تحقیق نشان می دهد که شبکۀ عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نرخهای ارز پوند و یورو تابعی از قیمتهای روز گذشته خود و قیمت نرخ ارز دلار تابعی از قیمت 6 روز گذشته خود است.

چکیده انگلیسی:

Exchange rate and its related fluctuation plays a significant role as one of the most important issues of each country's foreign trade sector. Many factors such as economic, politics, and psychological factors impress on exchange rates and these factors create more uncertainty situations. Policymakers’ attempt is to reduce this uncertainty via forecasting this variable with minimal error.Artificial neural networks have high potential in modeling complex processes and forecasting dynamic nonlinear paths .Therefore, in this study has tried to use the  artificial neural network (ANN) In addition to modeling and forecasting daily exchange rates during the period of  March 2002 to March 2005, and minimizing the forecast error by this method, its results were compared with that of ARIMA based on forecasting accuracy evaluation criteria , and to examine the sensitivity of model results toward exchange rates.Estimation of the model with the same method for three data sets exchange rate including dollar,euro and pound have been performed .Results indicate that used neural network has better predictive power in comparison with arima model while  pound and Euro exchange rates’ prices are function of their yesterday prices and dollar exchange rate price is a function of its price over the past 6 days .