پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی )مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان(

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

محمد احسانی فر ¹ , رضا احتشام راثی ²

1 - استادیار، دانشگاه آزاد اسلامی، واحد اراک، گروه مهندسی صنایع، اراک، ایران.
2 - استادیار، دانشگاه آزاد اسلامی، واحد قزوین، گروه مدیریت، قزوین، ایران.

تاریخ دریافت : 1393/05/19 تاریخ پذیرش : 1393/10/20 تاریخ انتشار : 1394/07/10

کلید واژه: نرخ ارز, بازار سرمایه, پیش بینی, شبکه های عصبی مصنوعی, خود رگرسیون میانگین متحرک&#x0D, &#x0D, ان,

چکیده مقاله :

سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستاییو خطی بودن بنیان نهاده شده است. در مورد عملکرد این مدل های سنتی بعضاٌ تردیدهای ایجاد شده است. یکی ازروش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه خوبی برای پیش بینیسریهای زمانی از خود نشان دادهاند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینیمدل های خود توضیح جمعی میانگین متحرک 1 و شبکه های عصبی مصنوعی 2 ، به مقایسهی این دو روش برای پیشبینی نرخ روزانه ارز در 2112 پرداخته شده است. نتایج /1/ 1991 لغایت 1 /1/ دوره ی از سال 1 تحقیق نشان دادهاست که روش شبکه های عصبی تخمینهای بهتری نسبت به روش میانگین متحرک خود رگرسیون انباشته ارائهمیکند . در این پژوهش، از ابزارهای محاسباتی نرم افزار STATGRAPHICSو MATLABو دادههای اقتصادیکشورهای استرالیا، کانادا، ژاپن و انگلستان و نرخ ارز 3 آن کشورها نسبت به دلار آمریکا استفاده شده است.

چکیده انگلیسی:

Monetary policy in order to prevent losses arising from changes in exchange rates of disruptive are Always trying to find a suitable method to predict exchange rates. However, multi-dimensional characteristics of the converter makes it is complicated and nonlinear behavior. One of the traditional methods of forecasting, time series analysis, which is based on two as sumptions static linearity. Some doubts about the performance of these traditional models have been created One of the alternative methods, artificial neural networks that In some cases are shown a good potential for time series prediction. In this Article , After reviewing the research conducted to clarify the predictive ability of mass moving average models and Artificial Neural Networks to compare The two methods for the prediction of the daily exchange rate has been made in the period from 01.01.1990 till 01.01.2012. The results showed that the neural network approach estimates the Autoregressive Integrated Moving Average (ARIMA) method provides better responses. In this study, MATLAB software and computational tools and data STATGRAPHICS economies of Australia, Canada, Japan and the United Kingdom, and the dollar exchange rate in those countries than in America is using.

منابع و مأخذ:

فهرست منابع
 آلفرد، ) مرتینر) 1381 . آنالیز سیگنال : ویولت،
فیلتر بانک، تبدیل های زمان - فرکانس و کاربرد
آنها. ترجمه ی دکتر محمد حسن مرادی . تهران :
مرکز نشر دانشگاه صنعتی امیرکبیر .
 اصغری اسکوئی، محمدرضا ) 1381 (. کاربرد
شبکه های عصبی در پیش بینی سری های زمانی .
پژوهشنامه اقتصادی 69 : ایران، 12 - 97
 با فکر، آزیتا، ) 1377 (، بررسی علل تورم در
ایران، پایان نامه کارشناسی ارشد. دانشگاه شهید
بهشتی، دانشکده علوم اقتصادی و سیاسی، استاد
راهنما ابوالقاسم هاشمی(
 دیولیو، اوچین، ) 1368 (، نظریه و مسائل اقتصاد
کلان ترجمه: دکتر احمد جعفری صمیمی
)مازندران، دانشگاه مازندران(
محمد احسانی فر و رضا احتشام راثی
34 فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار / شماره بیست و هفتم
 قدیمی، محمد رضا و سعید ) مشیری، ) 1381
پیش بینی رشد اقتصادی ایران با استفاده از شبکه
های عصبی مصنوعی . پژوهشنامه اقتصادی ایران،
12٫96 - 123 :
 سالواتوره، دومینیک، ) 1383 (، مالیه بین الملل
ترجمه: حمیدرضا ارباب )تهران، نشر نی(
 سیدان، کامبیز، ) 1374 (، اثر افزایش نرخ ارز در
بازار آزاد بر تورم، پایان نامه کاشناسی ارشد،
داشگاه علامه طباطبایی، به راهنمایی مهدی
تقوی
 غنی نژاد، موسی، ) 1384 (، عدالت اقتصادی،
روزنامه دنیای اقتصادی سال سوم شماره 716
چهارشنبه 15 تیر
 زراءنژاد، منصور و شهرام حمید 1388 ( پیش (
بینی نرخ تورم در اقتصاد ایران با استفاده از شبکه
های عصبی مصنوعی پویا ( دیدگاه سری زمانی
اقتصاد مقداری.
 منتظهر ظهور، محمود، ) 1376 (، اقتصاد خرد و
کلان )تهران، انتشارات دانشگاه تهران(
 مبانی شبکه های « ،) منهاج، م، ب .،) 1379
انتشارات دانشگاه صنعتی امیر کبیر ،» عصبی
تهران، جلد اول
 منهاج، محمد باقر ) 1377 ( هوش محاسب ات،
جلد اول، مبانی شبکه های عصبی . تهران : مرکز
نشر پروفسور حسابی .
 هوشمند، محمود، محمد علی شعبانی و اعظم
ذبیحی ) 1387 ( نقش سرمایه انسانی در رشد
اقتصادی ایران با استفاده از الگوی خود بازگشت
با وقفه های توزیعی . اقتصاد مقداری . 63 - 84 :( 2 ) بررسیهای اقتصادی سابق
 Box, G. E. P. and Jenkins, G. M. (1970), Time Series Analysis: Forecasting and Control, San Francisco: Holden-Day.
 Central Bank of Iran’s website: http://www.cbi.ir/
 De Jesús, O., Horn, J.M. and Hagan, M.T. (2001), “Analysis of Recurrent Network Training and Suggestions for Improvements”, Proceedings of the
International Joint Conference on Neural Networks, Washington, DC, July 15–19, 32–2637.
 Fahimifard, S. M. (2008), “The Comparison of Artificial-Neural and Auto-Regressive Models for Forecasting Agricultural Product Price of Iran”,
Dissertation for M.Sc Degree in Agricultural Economics Engineering,
University of Zabol.
 Fahimifard, S. M. Homayounifar, M. Salarpour, M. Sabuhi, M., and Shirzady,S. (2009), “Application of ANFIS to Exchange Rate Forecasting”, China-USA Business Review, 8(6): 22-30.
 Haykin,S. (1994),Neural Networks A Comprehensive Foundation. Macmillan, New York.
 Ince, H. and Trafalis, T. B. (2005), “A Hybrid Model for Exchange Rate Prediction”, [online] <http://www.sicencedirect.com/> [20 May 2008].
 Medsker, L.R., and Jain, L.C. (2000), Recurrent Neural Networks: Design and Applications, Boca Raton, FL: CRC Press
 Meese, R. A. and Rogoff, K. (1983), “Empirical Exchange Rate Models of the Seventies: Do they Fit Out of Sample?, Journal of international Economics, 14: 3–24.
 Morgan, G. C. (1998), Fuzzy Logic, Routlendge Encyclopedia of Philosophy, 3, first edition, Craig, E. Routledge, London.
 Moshiri, S. and Cameron, N. (2000), “Neural Network versus Econometric models in forecasting inflation”, Journal of forecasting, 19: 201-217.
 Najafi, B., and Tarazkar, M. (2006), “Forecasting of Iran’s export of pistachio: ANN application”, Quarterly of Trade Research, 39: 191-214.
 Pilbeam, K. (1998), International .nance (2nd ed.). Palgrave.
 Racine, J. S. (2001), “On the Nonlinear Predictability of Stock Returns Using Financial and Economic Variables”, Journal of Business and Economic Statistics, 19(3): 380-382.
پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و ...
فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار / شماره بیست و هفتم 34
 Rosenblatt, F. (1961), “Principles of Neurodynamics”, Washington, D.C.: Spartan Press.
 Roshan, R. (2004), “Iran’s inflation Forecasting Using ARCH, GARCH, ARIMA and ANN Models and the Comparison of Mentioned Models Performance”, Dissertation for M.Sc
یegree in Economics, University of Zahedan.
 Tanaka, K. (1998), An Introduction to Fuzzy Logic for Practical Applications, Prantice-Hall International Editions. Fu, J. (1998). A Neural Network Forecast of Economic Growth and Recession. The Journal of Economics, XXIV(1): 51-66.
 Kohzadi, N., M.S. Boy & I. kaastra. (1996). Neural Networks for Forecasting: An Introduction. Canadian Journal of Agricaltural economics, 43: 463-474.
 Kung, C. M. & H. White. (1994). Artificial Neural Networks for Some Macroeconomic series: A First Repot. Econometric Reviews, 13: 105-122.
 Moshiri, S. & N.E. Cameron. (2000) Neural Network versus Econometric Models in Forecasting Inflation. Journal of Forecasting, 19:201-217.
 Moshiri, S., N. E. Cameron & D. Scuse. (1999). Static, Dynamic, and Hybrid Neural Network in Forecasting Inflation. Computational Economics, 14(3): 219-235..
 Azoff, M.E. (1994). Neural Network Time Series Forecasting of Financial Markets. John Wiley & Sons, 117-125.
 Bosarge, W.E. (1999). Adaptive Process to Exploit the Nonlinear Structure of Financial Market, In R. R. Trippi and Troban(eds), NeuralNetworks in Finance and investing. Probus Publishing, 371-402.
 El Shazly, M.R. & H. E. El Shazly. (1999). Forecasting Currency Prices using a Genetically Evolved Neural Network Architecture. International Review of Financial Analysis, 8(1): 67-72.
 Fu, J. (1998). A Neural Network Forecast of Economic Growth and Recession. The Journal of Economics, XXIV(1): 51-66.
 Hill, T., L. Marquez, M. O’Connor & W. Remus. (1994). Artificial Neural Network Models for Forecasting and Decision Making. International Journal of Forecasting, 10: 5-15.
 Hornik, K. (1991). Approximation Capabilities of Multilayer Feedforward Networks. Neural Networks, 4: 251-257.
 Kingdon, J. & K. Feldman. (1995). Genetic Algorithms and some Applications in Finance. Journal of Applied and Mathematical Finance, 1(1): 89-116.
 Kohzadi, N., M.S. Boy & I. kaastra. (1996). Neural Networks for Forecasting: An Introduction. Canadian Journal of Agricaltural economics, 43: 463-474.
 Kung, C. M. & H. White. (1994). Artificial Neural Networks for Some Macroeconomic series: A First Repot. Econometric Reviews, 13: 105-122.
 Moshiri, S. & N.E. Cameron. (2000). Neural Network Versus Econometric Models in Forecasting Inflation. Journal of Forecasting, 19: 201-217
 Moshiri, S., N. E. Cameron & D. Scuse. (1999). Static, Dynamic, and Hybrid Neural Network in Forecasting Inflation. Computational Economics, 14(3): 219-235.
 Ramsey, B.J. (2002) Wavelets in Economics and Finance: Past and Future. Studies in Non-Linear Dynamics and Econometrics, 6(3): 1-26 .
 Zhang, G., B.E. Patuwo & M. Y. Hu. (1998). Forecasting with Artificial Neural Networks: The State of the Art. International Journal of Forecasting, 14(1): 35-62.
 Zhang, X. & K. Thearling. (1994). Non-liner Time-series Prediction by Systematic Data Exploration on a Massively Parallel computer. Santa Fe Institute Technical Report, 94-107