بـهبود عملکرد پیش‌بیـنی‌های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی 
خودرگرسیون میانگین متحرک انباشته و شبکه‌های عصبی مصنوعی

خاشعی, مهدی; بیجاری, مهدی

جستجو در:

همه

صفحات وب

کتب

نشریات

مرکز نشر آثار علمی

پژوهشهای اقتصادی ( رشد و توسعه پایدار )

دوره 8، شماره 2 - ( 1387 ) جلد 8 شماره 2 صفحات 100-83 | برگشت به فهرست نسخه ها

‎ 20.1001.1.17356768.1387.8.2.8.7

Mendeley

Zotero

RefWorks

khashei M, bijari M. Improving Forecasting Performance of Financial Variables by integrating Linear and Nonlinear ARIMA and Artificial. QJER 2008; 8 (2) :83-100
URL: http://ecor.modares.ac.ir/article-18-10125-fa.html

خاشعی مهدی، بیجاری مهدی. بـهبود عملکرد پیش‌بیـنی‌های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی خودرگرسیون میانگین متحرک انباشته و شبکه‌های عصبی مصنوعی. پژوهشهای اقتصادی (رشد و توسعه پايدار). 1387; 8 (2) :83-100

URL: http://ecor.modares.ac.ir/article-18-10125-fa.html

بـهبود عملکرد پیش‌بیـنی‌های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی خودرگرسیون میانگین متحرک انباشته و شبکه‌های عصبی مصنوعی

مهدی خاشعی¹

، مهدی بیجاری²

1- تهران
2- دانشگاه صنعتی اصفهان

چکیده: (6109 مشاهده)

دقت پیش‌بینی از مهمترین عوامل مؤثر در انتخاب روش پیش‌بینی است. امروزه به‌‌رغم وجود روشهای متعدد پیش‌بینی، هنوز پیش‌بینی‌ دقیق مالی کار چندان ساده‌ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق‌تر می‌‌باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش‌بینی، کار بسیار دشواری می‌باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق‌تر با یکدیگر ترکیب کرده‌اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه‌های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق‌ترین مدلهای خطی و غیرخطی در پیش‌بینی سریهای زمانی می‌باشند. در این مقاله به منظور بهره‌گیری از مزایای منحصر به فرد هر یک از روشهای مدل‌سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل‌های خودرگرسیون میانگین متحرک انباشتهو شبکه‌های عصبی مصنوعی به منظور پیش‌بینی‌های مالی پیشنهاد شده‌اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه‌های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش‌بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.

واژه‌های کلیدی: مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA)، شبکه‌های عصبی مصنوعی (ANNs)، مدل‌های ترکیبی، بازارهای مالی، پیش‌‌بینی نرخ ارز

متن کامل [PDF 261 kb] (2644 دریافت)

دریافت: 1385/4/14 | پذیرش: 1386/10/23 | انتشار: 1387/4/17

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.