چکیده:
توانایی کمنظیر شبکههای عصبی مصنوعی بهعنوان ابزاری قدرتمند برای تحلیل و برآورد در حوزه علوم تجربی و مهندسی موجب شد تا مورد توجه اقتصاددانان قرار گیرد.در این پژوهش،پس از مرور پژوهشهای انجام شده در مورد توانایی پیشبینی مدلهای خود توضیح جمعی میانگین متحرک( ARIMA 1و شبکههای عصبی مصنوعی( ANN 2)به مقایسه این دو روش برای پیشبینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005 پرداختهایم.افزون بر این،در این پژوهش پس از مدلسازی به وسیله شبکههای عصبی مصنوعی،به منظور تشخیص سهم مشارکت هر پارامتر ورودی در این مدل از تجزیه و تحلیل حساسیت استفاده کردهایم.باتوجه به حجم وسیع به کارگیری اطلاعات روزانه قیمت جهانی نفت(بیش از 5500 روز اطلاعات)نتایج به دست آمده نشاندهنده برتری غیرقابل مقایسه مدل شبکههای عصبی مصنوعی نسبت به مدل ARIMA در پیشبینی قیمت روزانه نفت است.
Ability of Artificial Neural Networks (ANNs) as a powerful tool in simulation and prediction in science and engineering has made it attractive to economists. In this article، after a brief review of literature، a comparison of forecasting performance of ANN versus ARIMA is made. The data used are daily prices of oil for the period April 1983 to June 2005. In addition، sensitivity analysis is implemented for illustrating contribution of each input to the price changes in ANN models. The results show that the ANN model generates more accurate forecasts for the daily oil prices of oil than ARIMA model.
خلاصه ماشینی:
"فصلنامه پژوهشهای اقتصادی ایران/سال نهم/شماره 32/پاییز 1386/صفحات 161-183پیشبینی قیمت نفت با دو روش ARIMA و شبکههای عصبی مصنوعی
مصنوعی( ANN 2)به مقایسه این دو روش برای پیشبینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005
نشاندهنده برتری غیرقابل مقایسه مدل شبکههای عصبی مصنوعی نسبت به مدل ARIMA در پیشبینی قیمت
مدلهای شبکه عصبی بین 18 تا 40 درصد کمتر از مدل ARIMA است.
Tkacz مدلهای خطی و شبکههای عصبی برای پیشبینی رشد GDP واقعی کانادا را با استفاده از سری
یک مدل ساده شبکههای عصبی مصنوعی برای مدلسازی ARMA برای سریهای زمانی استفاده
شبکههای عصبی مصنوعی قادر به مدلسازی مناسب تری برای دادهها بوده و این در حالی است که
خروجی به دست آمده به ترتیب،پاسخ مدل شبکه عصبی به
برای اینکه شبکه عصبی مصنوعی از بردار دادههای ورودی X-]x1,x2,....
پارامترهای قابل تنظیم مدل شبکه عصبی انجام میشود تا تابع خطایی که نشاندهنده اختلاف میان
حساسیت مدل توجه کرد که بر این اساس،با ثابت در نظر گرفتن پارامترهای دیگر برنامه میتوانیم
EIA استفاده شده و برای مدلسازی در شبکههای عصبی مصنوعی از نرمافزار 2.
ساختهشده توسط شبکه-که همان خروجی بهینه نسبت به ورودی است-به دست میآید.
میخواهیم ببینیم که چه ترکیبی از این وقفهها برای پیشبینی قیمت روزانه نفت خام بهینه است.
نتایج به دست آمده از اجرای این مدل در جدول(5)آمده است.
باتوجه به پیشبینیهای انجام شده،مشخص است که شبکههای عصبی مصنوعی عملکرد به مراتب
نمیشود،از این مدلها میتوان برای آزمون روابط غیر خطی بین متغیرهای اقتصادی نیز استفاده کرد."