چکیده:
با توجه به نوسانات زیاد نرخ ارز در ایران پیشبینی آن یکی از چالشهای مهم برای گروههای مختلف در کشور میباشد. این مطالعه به بررسی عملکرد شش شبکهی عصبی مصنوعی مختلف ایستا و پویا برای پیشبینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری دادههای فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است. یافتههای پژوهش حاکی از این است تعداد نرونها اثر منظمی روی بهتر شدن عملکرد شبکهها نداشته و از طرفی بهترین نتایج در وقفههای سه و چهار اتفاق افتاده است. نتایج نشان میدهد که بهترین عملکرد مربوط به شبکهی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیشبینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم دادههای ورودی ارائه میدهد. همچنین دومین عملکرد مناسب مربوط به شبکهی ایستای ترکیبی با ساختار ده نرون و دو وقفه میباشد. با این ملاحظات، سیاستگذاران میتوانند با توجه به دسترسی بیشتر و بروزتر به دادههای موثر بر نرخ ارز و با پایش لحظهای متغیرها و ورود آنها به مدل جامع طراحی شده با استفاده از این روش، میزان انحراف نرخ ارز پیشبینی شده توسط مدل و نرخ ارز موجود را مورد بررسی قرار داده و سیاستهای مقتضی را بر این اساس اتخاذ نمایند، به طوری که زیانهای وارده بر بخش داخلی و خارجی اقتصاد ناشی از شکاف نرخ پیشبینی شده و نرخ ارز موجود در حداقل مقدار باشد.
Given the high exchange rate fluctuations in Iran, its prediction is one of the major issues and challenges for different groups in the country. This study investigates the performance of six different static and dynamic neural networks for forecasting exchange rates using fundamental, technical and hybrid approaches and using seasonal data over the period (1) 2004- (4) 1396 for variables influencing exchange rate including inflation, Liquidity and GDP for the two countries, Iran and the United States. The findings show that the number of neurons did not have a regular effect on the performance of the networks and that the best results occurred at breaks of three and four. The results also show that the best performance of the static neural network is achieved by a technical approach with a structure of sixteen neurons and four interruptions which provides a relatively accurate exchange rate prediction despite the low number of input data.
خلاصه ماشینی:
این مطالعه به بررسی عملکرد شش شبکهی عصبی مصنوعی مختلف ایستا و پویا برای پیشبینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری دادههای فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است.
نتایج نشان میدهد که بهترین عملکرد مربوط به شبکهی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیشبینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم دادههای ورودی ارائه میدهد.
{مراجعه شود به فایل جدول الحاقی} تعداد وقفه d = در این مورد نیز تعداد نرونها از یک تا بیست تغییر داده شد و در هر ساختار به ترتیب وقفههای یک تا چهار شش متغیر تورم، نقدینگی و تولید ناخالص داخلی در دو کشور آمریکا و ایران به عنوان ورودی در نظر گرفته شده و در هر وقفه ده بار به شبکه آموزش داده شد و در مجموع از بین هشتصد مدل تولید شده بهترین نتایج تفکیک شد.
در این تحلیل در هر ساختار ابتدا فقط از یک وقفه برای شش متغیر و نرخ ارز به عنوان ورودی استفاده شده و شبکه ده بار آموزش دید و بهترین نتیجه بدست آمد و سپس در همان ساختار به تعداد وقفهها تا چهار اضافه شد و در هر مورد نیز شبکه مجدداً ده بار آموزش داده شد و بهترین نتیجه مربوط به هر ساختار از هشتصد مدل تولید شده، تفکیک شد.