طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران
فرمت فایل دانلودی: .docxفرمت فایل اصلی: doc
تعداد صفحات: 142
طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 142 صفحه
چکیده
پیش بینی از ابزارها و راهکارهای مؤثر به منظور برنامه ریزی و تدوین روش های مالی است. دقت پیش بینی از مهم ترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه با وجود روش های متعدد پیش بینی، هنوز پیش بینی دقیق نرخ ارز کار چندان ساده ای نیست و اکثر محققان درصدد به کارگیری و ترکیب روش های متفاوت به منظور دستیابی به نتایج دقیق تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم ترین محدودیت آن ها پیش‌فرض خطی‌بودن الگو است. شبکههای عصبی مصنوعی از جمله مهم ترین و دقیق‌ترین روش های حال حاضر جهت الگوسازی غیرخطی دادهها هستند. اما با وجود تمامی مزیت‌های شبکههای عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش بینی با داده های کم است. امّا عملکرد آن ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکههای عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد دادههای مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل ۱۱۵ داده ی 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 اندازه گیری عملکرد پیش بینی الگوی ارایه شده از شاخص های مختلفی مانند میانگین مطلق خطا (MAE)، میانگین مربع خطا (MSE)، مجموع مربع خطا (SSE)، ریشه میانگین مربع خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین خطا (ME) استفاده شده است. نتایج نشان می دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق تری در پیش بینی نرخ ارز (دلار در مقابل ریال) ارایه می¬دهد.
واژگان کلیدی : نرخ ارز، هوش محاسباتی ترکیبی، اقتصاد ایران.
فهرست مطالب
عنوان صفحه
فصل یکم: مقدمه و کلیات
مقدمه 3
۱-۱٫ بیان مساله 4
۱-۲٫ پرسش پژوهش 8
۱-۳٫ فرضیه های پژوهش 8
۱-۴٫ اهداف پژوهش 9
۱-۵٫ روش پژوهش 9
۱-۶٫ تعریف واژگان کلیدی 11
۱-۷٫ سازماندهی پژوهش 11
فصل دوم: ادبیات موضوع
مقدمه 13
۲-۱٫ مبانی نظری 13
۲-۱-۱٫ تحلیل فنی 15
۲-۱-۱-۱٫ مبانی تحلیل فنی 16
۲-۱-۱-۲٫ پایه و اساس تحلیل فنی 17
۲-۱-۲٫ تحلیل بنیادی 18
۲-۱-۲-۱٫ نقاط ضعف تحلیل بنیادی 19
۲-۱-۳٫ فرضیه گام تصادفی 20
۲-۱-۴٫ انواع نظام های ارزی 20
۲-۱-۴-۱٫ نظام های ارزی شناور 22
۲-۱-۴-۲٫ نظام های ارزی میانه 24
۲-۱-۴-۳٫ نظام های ارزی میخکوب شده نرم 25
۲-۱-۴-۴٫ نظام های ارزی میخکوب سخت 27
۲-۱-۵٫ دیدگاه های مختلف در ادبیات نرخ ارز 28
۲-۱-۵-۱٫ دیدگاه سنتی نرخ ارز 28
الف. روش کشش ها 28
ب. الگوی برابری قدرت خرید (PPP) 30
ج. الگوی ماندل – فلمینگ (MFM) 32
۲-۱-۵-۲٫ دیدگاه جدید دارایی 34
الف. الگوهای پولی تعیین نرخ ارز 34
ب. الگوی تعادل پورتفولیو 37
۲-۲٫ مطالعات انجام شده 38
۲-۲-۱٫ مطالعات خارجی 38
۲-۲-۲٫ مطالعات داخلی 46
۲-۳٫ مروری بر تحولات ارزی ایران 48
۲-۳-۱٫ تحولات ارزی تا زمان وقوع انقلاب اسلامی 48
۲-۳-۲٫ تحولات ارزی پس از وقوع انقلاب اسلامی 50
فصل سوم: روش پژوهش
۳-۱٫ مقدمه 55
۳-۲٫ حدود پژوهش و روش جمع آوری داده ها و اطلاعات 55
۳-۳٫ پیش بینی 56
۳-۴٫ الگوهای پیش بینی سری های زمانی 57
۳-۴-۱٫ الگوی خودرگرسیون میانگین متحرک انباشته (ARIMA) 58
۳-۴-۱-۱٫ تاریخچه خودرگرسیون میانگین متحرک انباشته 58
۳-۴-۱-۲٫ ویژگی های روش خودرگرسیون میانگین متحرک انباشته 59
۳-۴-۱-۳٫ الگوسازی AR، MA و ARMA 60
۳-۴-۱-۴٫ الگوی خودرگرسیون میانگین متحرک انباشته 62
۳-۴-۱-۵٫ مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته 63
۳-۴-۲٫ الگوهای شبکه های عصبی مصنوعی (ANN) 64
۳-۴-۲-۱٫ تاریخچه شبکه های عصبی مصنوعی 64
۳-۴-۲-۲٫ مبانی شبکه های عصبی مصنوعی 65
۳-۴-۲-۳٫ مزیت ها و معایب شبکه های عصبی مصنوعی 66
۳-۴-۲-۴٫ ساختار شبکههای عصبی مصنوعی 66
۳-۴-۲-۵٫ دستهبندی دادهها 68
۳-۴-۲-۶٫ واحدهای پردازش 69
۳-۴-۲-۷٫ انواع توابع فعالسازی (تبدیل) 69
۳-۴-۲-۸٫ انواع شبکه های عصبی 71
۳-۴-۲-۹٫ مراحل اساسی ساخت یک شبکه عصبی مصنوعی 74
۳-۴-۲-۱۰٫ الگوریتمهای آموزش شبکه های عصبی مصنوعی 75
۳-۴-۲-۱۱٫ شبکههای پرسپترون چند لایه (MLP) 76
۳-۴-۲-۱۲٫ معیارهای خطا 79
۳-۴-۳٫ مفاهیم فازی 80
۳-۴-۳-۱٫ تاریخچه نظریه فازی 80
۳-۴-۳-۲٫ مجموعههای فازی 81
۳-۴-۳-۳٫ عملگرهای فازی 82
۳-۴-۳-۴٫ اصل گسترش در مجموعههای فازی 82
۳-۴-۳-۵٫ عدد فازی 83
۳-۴-۳-۶٫ مبانی رگرسیون فازی 85
۳-۵٫ الگوی هوش محاسباتی ترکیبی 87
فصل چهارم: یافته های پژوهش
۴-۱٫ مقدمه 96
۴-۲٫ مجموعه ی دادهها 96
۴-۳٫ آماده سازی دادههای ورودی 97
۴-۴٫ برازش الگوی خودرگرسیون میانگین متحرک انباشته 98
۴-۵٫ طراحی و آموزش یک شبکه عصبی مصنوعی 105
۴-۵-۱٫ انتخاب نوع شبکه 106
۴-۵-۲٫ تعیین تعداد لایه ها 106
۴-۵-۳٫ تعیین تعداد نرون های هر لایه 107
۴-۵-۴٫ تعیین توابع فعال سازی 110
۴-۵-۵٫ تعیین الگوریتم آموزش 110
۴-۵-۶٫ مجموعه های آموزش و آزمون 111
۴-۵-۷٫ معیار سنجش عملکرد 111
۴-۶٫ فازی سازی الگوی ARIMA-ANN طراحی شده 113
۴-۷٫ فازی سازی تجدید نظر شده و نهایی سازی مقادیر ضرایب 117
۴-۸٫ مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها 118
۴-۹٫ آزمون فرضیه های پژوهش 119
فصل پنجم: خلاصه، نتیجه گیری و پیشنهادها
۵-۱٫ خلاصه و نتیجه گیری 122
۵-۲٫ پیشنهادها 123
منابع 124
پیوست 132
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.