پیشبینی از ابزارها و راهکارهای مؤثر به منظور برنامه ریزی و تدوین روشهای مالی است. دقت پیشبینی از مهمترین عوامل مؤثر در انتخاب روش پیشبینی است. امروزه با وجود روشهای متعدد پیشبینی، هنوز پیشبینی دقیق نرخ ارز کار چندان سادهای نیست و اکثر محققان درصدد بهکارگیری و ترکیب روشهای متفاوت به منظور دستیابی به نتایج دقیقتر هستند. الگوهای خودرگرسيون ميانگين متحرک انباشته يکي از مهمترين و پرکاربردترين الگوهاي سري‌هاي زماني هستند. مهمترين محدوديت آنها پيش‌فرض خطي‌بودن الگو است. شبكه‌هاي عصبي مصنوعي از جمله مهمترين و دقيق‌ترين روشهاي حال حاضر جهت الگو‌سازي غيرخطي داده‌ها هستند. اما با وجود تمامي مزيت‌هاي شبکه‌هاي عصبي، اين‌گونه از شبکه‌ها را نمي‌توان در تمامي موارد و به عنوان يک الگوی کلي که براي همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسيون فازي يک الگوی مناسب در شرايط پیشبینی با دادههای کم است. امّا عملکرد آنها در حالت کلي چندان رضايت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌هاي عصبي مصنوعي و رگرسيون فازي به ترتيب به منظور حذف محدوديت‌هاي خطي و تعداد داده‌هاي مورد نياز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتايج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل ۱۱۵ دادهی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ ۱۲/۰۱/۱۳۹۱ تا ۲۱/۰۳/۱۳۹۳ است. در پژوهش حاضر به منظور اندازهگیری عملکرد پیشبینی الگوی ارایه شده از شاخصهای مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان میدهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیقتری در پیشبینی نرخ ارز (دلار در مقابل ریال) ارایه میدهد.
جهت رفع سوالات و مشکلات خود از سیستم پشتیبانی سایت استفاده نمایید .
دیدگاه ارسال شده توسط شما ، پس از تایید توسط مدیران سایت منتشر خواهد شد.
دیدگاهی که به غیر از زبان فارسی یا غیر مرتبط با مطلب باشد منتشر نخواهد شد.