چکیده:
پیش بینی روند تورم برای تنظیم سیاست اقتصادی از اهمیت به سزایی برخوردار است. این نیاز موجب توجه جدی به کاربرد مدل های مختلف برای پیش بینی نرخ تورم شده است؛ و بدین منظور مدل های پیش بینی گوناگونی در رقابت با یکدیگر توسعه یافته اند. در این مقاله شبکه های عصبی مصنوعی پویا برای پیش بینی نرخ تورم به صورت شبکه های چند لایه و با استفاده از داده های متغیرهای مورد نیاز طی دوره ی 86-1338 و بر اساس دیدگاه تورم سری زمانی به کمک الگوریتم های مختلفی از روش آموزش پس انتشار خطا طراحی شده اند. ارزیابی شبکه های طراحی شده برای تعیین بهترین شبکه، بر مبنای مقدار خطای پیش بینی انجام گردیده است. یافته های تحقیق نشان داد که بهترین شبکه ها، شبکه هایی هستند که با الگوریتم یادگیری لونبرگ - مارکوارت آموزش داده شوند؛ توابع فعال ساز لایه میانی آنها غیر خطی و توابع فعال ساز لایه ی خروجی آنها خطی باشد و تعداد نرون های هر لایه آنها به صورت بهینه انتخاب شود. با توجه به این شبکه، نرخ تورم در دوره ی 91-1387 از 99/21 تا 59/10 درصد پیش بینی می شود.
Prediction of inflation is of great importance for policy making. This need has led to extensive application of various models to forecast inflation rate. The competition between alternative applied forecasting models has led to further development in this area. The present study has applied artificial neural networks for prediction of inflation rate. The applied neural network is a multi-layer based on time series inflation approach during 1959-2007 using different algorithms of back propagation. To evaluate the artificial neural network performance، the prediction error criteria has been used. The findings of the research showed that the most appropriate networks are those based on Levenberg-Marquard training algorithm in which neurons in the hidden layers use nonlinear activation functions، and in the output layer use linear activation functions، and the number of neurons in each layer is chosen optimally. According to this preferred network، the inflation rates are predicted to be 10.59-21.99 during 2008-20012.
خلاصه ماشینی:
"سؤال اصلی تحقیق این است که شبکهی عصبی مناسب، در مقایسه با شبکههای عصبی رقیب، برای پیش بینی نرخ تورم ایران کدام است؟ با توجه به سؤال تحقیق، این فرضیه که شبکهی عصبی طراحی شده قادر به پیشبینی نرخ تورم خارج از دوره آموزش شبکه با خطای کمتر از 5 درصد است، مورد آزمون قرار میگیرد.
جدول 5: پیشبینی نرخ تورم توسط شبکهی عصبی مصنوعی منتخب 1391 1390 1389 1388 1387 سال 59/10% 29/8% 73/12% 07/15% 99/21% نرخ تورم 7- جمع بندی و نتیجه گیری در این تحقیق برای پیش بینی نرخ تورم در اقتصاد ایران با استفاده از شبکههای عصبی مصنوعی به طراحی و نوشتن برنامههای مجزا و تکمیلی در محیط نرم افزار MATLAB که با الگوریتمهای مختلفی آموزش دیدهاند، پرداخته شده است.
یافتههای تحقیق نشان داد که بهترین شبکه که بر اساس دیدگاه سری زمانی طراحی شود، شبکهای است که (1) دارای 6 نرون در لایهی ورودی، (2) 4 نرون در لایهی میانی، (3) تعداد دفعات تکرار 93، (4) هدف خطای نهایی تعریف شده برای آن برابر صفر، (5) با الگوریتم لونبرگ- مارکوات آموزش داده شود، (6) توابع فعال ساز لایه میانی آن سیگموئید و (7) توابع فعال ساز لایهی خروجی آن خطی باشد.
8- پیشنهادها به دلیل اینکه اگر ورودیهای شبکه، یعنی متغیرهای تأثیر گذار بر متغیری که خواستار پیش بینی رفتار آن هستیم بر اساس یک تئوری اقتصادی انتخاب شوند نتایج بهتر و مطمئنتر به دست خواهد آمد، پیشنهاد میشود که شبکههای عصبی مصنوعی طراحی شود که به جز وقفههای شاخص قیمتها (یا نرخ تورم) شامل دیگر متغیرهای تآثیر گذار بر نرخ تورم مانند حجم نقدینگی، تولید، شاخص قیمت کالاهای وارداتی و نرخ ارز باشد."