چکیده:
در این مقاله استفاده از مدل های شبکهعصبی مصنوعی(ANN) و برخی الگوهای متداول در زمینه پیش بینی نرخ ارز، مورد آزمون و تحلیل قرار گرفته بدین صورت که، عملکرد پنج الگوی رگرسیون خطی در مقایسه با شبکه های عصبی مصنوعی، برای پیش بینی نرخ ارز اسمی (ریال ایران به دلار ایالات متحده آمریکا) مورد بررسی قرار می گیرد. الگوهای رگرسیون خطی عبارتند از روش باکس- جنکینز (الگوی میانگین متحرک انباشته خود همبسته)، فرایند گام تصادفی و سه تصریح مختلف بر اساس نظریه برابری قدرت خرید (PPP). هدف اصلی این مقاله، آزمون این فرضیه است که آیا شبکه های عصبی مصنوعی با توان براورد روابط غیرخطی، دارای نتایج بهتر و قابل مقایسه در پیش بینی نرخ ارز نسبت به الگوهای سنتی، به خصوص الگوی گام تصادفی اند یا خیر؟ مقایسه مذکور برای مشاهدات داخل نمونه، براورد الگوها و خارج از نمونه برای افق های پیش بینی رو به جلوی یک ، شش و دوازده ماهه انجام می پذیرد. در حالت کلی، نتایج به دست آمده حاکی از دشوار بودن پیش بینی نرخ ارز، توسط الگوهای ساختاری اقتصادی است، این نتایج هماهنگ با مطالعات قبلی در این زمینه است. بدین صورت که الگوی(فرایند) گام تصادفی نسبت به الگوهای ساختاری پولی در پیش بینی نرخ ارز از عملکرد بهتری برخوردار است. در مقایسه مستقیم عملکرد مدل های(خطی) اقتصادسنجی ساختاری و سری زمانی با شبکه های عصبی(غیرخطی) و با داده های ماهانه، مدل های شبکه های عصبی مصنوعی به وضوح از قدرت بیشتری در زمینه پیش بینی نرخ ارز برخوردارند.
This research examines and analyses the use of Artificial Neural Network (ANN) models in foreign exchange (FX) forecasting and trading models. Also، the performance of five linear models of exchange rate of Iranian Rial/US dollar is compared with that of ANNs. The linear models are Box-Jenkins methods (auto regressive integrated moving average)، two forms of random walk process (with a variable drift and without it) and three different specifications based on the purchasing power parity (PPP) hypothesis. The aim is to examine whether potentially highly nonlinear neural network models outperform traditional methods? We employ ANNs to study the nonlinear predictability of exchange rate for the Iranian Rial /US dollar. The comparative exercise has been conducted both in-simple and out-of-simple، at the 1-، 6- and 12-month forecast horizons. In general، the results confirm the difficulty in forecasting exchange rats، and reaffirm those obtained in previous literature which shows that the performance of econometric models of the exchange rates is inferior to that of a random walk (RW). In the direct comparison between structure econometric، time series and artificial neural network، the experiment with monthly data indicates that there ANNs clearly improves forecasting the exchange rate.
خلاصه ماشینی:
"جدول 5- طراحی شبکههای عصبی برای ریال ایران به دلار ایالات متحده آمریکا طی دوره 7: 1359- 1380:10 (1, 4, 1) (1, 3, 5, 1) (1, 10, 1) 1) Random Walk Model 2) Linear in the Log - Levels(PPPa) Model 3) Simulation Model of Exchange Rate مأخذ: نتایج کامپیوتری آموزش شبکههای عصبی مصنوعی در مورد تعیین تعداد واحدهای پردازش اطلاعات در لایههای میانی همانگونه که قبلا ذکر شد، بهرغم آنکه فرمولهایی برای این امر در ادبیات مدلهای شبکه عصبی مصنوعی ارائه شدهاند، ولی هنوز هم روش آزمون و خطا روش مؤثرتری به نظر میرسد.
0588 PPPa PPPr RWd RW ARIMA(3, 1, 4) ECM مأخذ: نتایج کامپیوتری برازش و شبیهسازی مدلها ANNp: مدل شبکه عصبی بر پایه فرضیه برابری قدرت خرید به صورت مطلق ANNrw: مدل شبکه عصبی بر پایه تعمیم فرضیه کارایی ساده بازار ANNs: مدل شبکه عصبی بر پایه شبیهسازی نرخ ارز (ریال ایران به دلار ایالات متحده) در بازار سیاه اما درونیابی بهتر مدلهای شبکه عصبی نسبت به الگوهای دیگر از نتایج مورد انتظار این مقاله نیست، بلکه مهمتر توان پیشبینی این الگوها در خارج از نمونه براورد مدلها است.
با در نظر گرفتن رابطه غیرخطی نرخ ارز اسمی با متغیرهای بنیادی اقتصاد (قیمت نسبی) و همچنین بهبود عملکرد الگوی برابری قدرت خرید با دادههای تفاضلی مرتبه اول (تغییرات در بعد زمان متغیرهای اقتصادی استفاده شده در الگوی PPP نسبی و الگویECM) به این نتیجه میرسیم که به عنوان یک پیشنهاد، با بهکارگیری الگویی با براورد غیرخطی(پارامترها) رابطه بلندمدت و نیز ملحوظ کردن پویایی دادهها در آن, در مورد الگوهای پولی تعیین نرخ ارز، به الگوی مناسبی برای پیشبینی نرخ ارز دست پیدا میکنیم."