چکیده:
امروزه، پیشبینی متغیرهای کلان اقتصادی از اهمیت ویژهای برای سیاستگذاران و سایر واحدهای اقتصادی برخوردار است.در نتیجه، درد دهههای اخیر، مدل پیشبینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداختهاند.اخرا به موازات مدلهای متداول قبلی مانند مدلهای ساختاری و سریهای زمانی، مدلهای دیگری تحت عنوان شبکههای عصبی مصنوعی در زمینه پیشبینی متغیرهای مالی و پولی به کار گرفته شدهاند.این مدلها متداول قبلی مانند مدلهای ساختاری و سریهای زمانی، مدلهای دیگری تحت عنوان شبکههای عصبی مصنوعی در زمینه پیشبینی متغیرهای مالی و پولی به کار گرفته شدهاند.این مدلها که در حقیقت اقتباس از فرایند یادگیری مغز انسان هستند، با استفاده از سرعت محاسباتی کامپیوتر، روابط بین متغیرها را هر چند پیچیده باشند، یاد گرفته و از آن برای پیشبینی مقادیر آتی استفاده مینمایند.از ویژگیهای مهم این مدلها میتوان به آزادی آنها از فروض آماری مربوط به متغیرها، استفاده از روشهای محاسباتی موازی و غیر خطی بودن آنها اشاره نمود.در این مقاله، علاوه بر معرفی مدلهای شبکههای عصبی و نحوه کاربرد آنها در اقتصاد، یک مدل شبکه عصبی برای پیشبینی تورم در ایران با استفاده از اطلاعات سالههای(1377-1338)طراحی و اجرا شده است.نتایج به دست آمده حاکی از آن است که مدلهای شبکههای عصبی در غالب موارد عملکرد بهتری در زمینه پیشبینی تورم دوره آتی ایران نسبت به رقبای خود دارند.
In this paper، I develop three forecasting models: namely structural، times series، and artificial neural networks; to forecast Iranian inflation rates. The structural model uses aggregate demand and aggregate supply approach، the time series model is based on the standard ARlMA technique، and the artificial neural network applies multi-layer back propagation modeL The latter، which is rooted in physic، cognitive، and computer sciences، mimics human brain to learn any complex pattern and to forecast their future behavior-the results of the forecasting competition show that the back propagation model is able to generate inflation• forecasts much better than the traditional competitors
خلاصه ماشینی:
"اخیرا، دیدگاه دیگری نیز به موازات مدلهای سریهای زمانی در ادبیات اقتصاد کاربردی وارد شده است که طبق آن میتوان با استفاده از هوش مصنوعی 3P}روابط بین متغیرها را هر چند پیچیده باشند، توط کامپیوتر فرا گرفت و از آن برای پیشبینی مقادیر آتی استفاده نمود.
یا اینکه اگر قرار باشد این گونه مدلها بدون نیاز به تئوریهای اقتصادی از هر گونه متغیر دلخواه برای توضیح تغییرات متغیرهای مورد نظر استفاده نمایند و برازش خوبی نیز تحویل دهند، چگونه میتوان به نتایج آنها اطمینان داشت؟ (1)-برخی از کاربردهای اولیه این مدلها را میتوان در کتاب (1993)naburt,ipirrt و کاربردهای اولیه در اقتصاد کلان در (1997)etihw nosnaws,(1996)la te,imosaam و (2000)noremac irihsom پیدا کرد.
تعداد لایههای میانی و تعداد واحدهای پردازش اطلاعات دراین لایهها هنوز از قانونمندی واحدی تبعیت نمیکنند ولی بنا به یک قضیه اثبات شده 1P}در صورتی که تعداد مکفی از این لایهها و واحدها در یک مدل شبکههای عصبی وجود داشته باشند، مدل قادر خواهد بود هر گونه ارتباط بین دادهها و ستادهها را با دقت مورد نظر یاد بگیرد، به عبارت دیگر برآورد صحیحی از رابطه بین دادهها و ستادهها ارایه نماید.
قاعده یادگیری با شتاب را میتوان به صورت زیر نوشت: از معادله قبلی برابر است بهمانگونه که قبلا اشاره شد، مدلهای شبکههای پس انتشار خطا قادرند هر گونه توابع پیوستهای را با دقت مطلوب یاد بگیرند(برآورد نمایند)به شرط اینکه به تعداد کافی واحدهای میانی در آنها معرفی شده باشند 2P}."