The Application of GMDH Neural Network Approachin Forecasting the Price of Soybean Meal in Merchendis Stock Exchange

Subject Areas : Financial Economics

علی اکبر باغستانی ¹ , سعید یزدانی ² , مجید احمدیان ³

1 - استادیار دانشگاه آزاد واحد علوم تحقیقات
2 - استاد اقتصاد دانشگاه تهران
3 - استاد اقتصاد دانشگاه تهران

Received: 2015-09-26 Accepted : 2015-11-25 Published : 2016-03-10

Keywords: Keywords: Soybean, GMDH Method, ARIMA, Price forecast, commodity exchange, JEL Classification: C1, C12, D43, D53, Q13,

Abstract :

Abstract Livestock and poultry industry has depended much on soybean meal. This dependence has led to fluctuations in the price of this product and therefore, forces market participants to follow the sensitivity and accuracy. These fluctuations created serious concerns about the supply and price of soybean meal. So, this study, using monthly and weekly data of Soybean prices in the exchange market, tried to forecast soybean price. So Soybean Meal price has predicted with neural network GMDH algorithm and ARIMA. The results based on the root mean square error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MPAE) showed that the GMDH algorithm, has a better ability to predict the price accurately.  

References:

فهرست منابع

1)    ابریشمی ح.، م. مهر آرا، م. احراری، و س. میرقاسمی، ۱۳۸۸. الگوسازی و پیش­بینی رشد اقتصادی ایران با رویکرد شبکه عصبی GMDH. مجله تحقیقات اقتصادی. شماره ۸۸. ص ۲۴-۱.

2)    پندار م.، ع. شاکری، و ح. سلامی، ۱۳۹۱. مدیریت ریسک قیمتی واردات دانه روغنی سویا به وسیله بازار آتی‌ها. مجله تحقیقات اقتصاد و توسعه کشاورزی ایران. دوره ۲۴-۲. شماره ۴. ۴۹۲-۴۷۹.

3)    فهیمیفرد م.،۱۳۸۷. مقایسهکاراییمدلهایعصبی - مصنوعیوخودرگرسیونیدرپیشبینیقیمتمحصولاتکشاورزیایران. پایان نامهکارشناسیارشدگروهاقتصادکشاورزی.دانشگاهزابل.

4)    مشیری س.، ۱۳۸۰. پیش بینی تورم ایران با استفاده از مدل های ساختاری، سری زمانی و شبکه های عصبی. مجله تحقیقات اقتصادی. شماره ۵۸. ص۱۸۴-۱۴۷.

5)    مشیری س.، و ف. فروتن، ۱۳۸۳. آزمون آشوب و پیش‌بینی قیمت‌های آتی نفت خام. فصلنامه پژوهش‌های اقتصادی ایران. شماره ۲۱. ص۹۰-۶۷.

6)     Fahimifard, S. M., M. Salarpour, M. Sabouhi, and S. Shirzady. 2009. Application of ANFIS to Agricultural Economic Variables Forecasting Case Study: Poultry Retail Price. Journal of Artificial Intelligence, 2(2):65-72.

7)     Harvi, S., Osborn, D. R., C. R. Brichenhall. 2004. Liner versus neural network forecasts for European industrial prodnction series, International Journal of forecasting, 20: 435-446.

8)     HuseyinInce., Theodore B. Trafalis. 2005. A hybrid model for exchange rate prediction, www.sicencedirect.com

9)     Henry C.Co., RujirekBoosarawongse. 2007. Forecasting Thailand, rice export: Statistical techniques vs. artifical neural networks, www.sicencedirect.com.

10)  Ivakhnenko. G.A .1995. The Review of Problems Solvable by Algorithms of the Method of Data Handling (GMDH). Pattern Recognition and Image Analysis, Vol.5.4: 527-535.

11)  Moshiri, S., Cameron, N.2000. Neural network versus econometric models in forecasting inflation. Journal of forecasting 19, p.201-217

12)  Nariman-zadeh N., A. Darvizeh, M. Gharababaei .2002. Modelling of Explosive Cutting Process of Plates Using GMDH-type Neural Network and Singular Value Decomposition". Journal of Materials Processing Technology, 128 (1-3): 80-87

13)  Olson, D. and C. Mossan. 2003. Neural network of Canadian stock returns using accounting ratios international. Journal of Forecasting, 19:453-465.

14)  Rech, G. 2002. Forecasting with artifical neural network models, SSE.EFI working paper Series in economics and Finance, 491:1-20.

یادداشت‌ها