پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 518
This Paper With 23 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FEJ-9-34_017
تاریخ نمایه سازی: 21 آبان 1398
Abstract:
مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته می شود، یکی از پرکاربردترین مدل ها در پیش بینی سری های زمانی است. اما پیش فرض اصلی این مدل خطی بودن سریهای زمانی میباشد. از سوی دیگر شبکهی عصبی یک تخمین زنندهی عمومی است که الگوهای غیر خطی را بسیار خوب مدلسازی مینماید. دانستن الگوی دادهها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد میگردد که تلفیق مدلهای خطی و غیرخطی میتواند منجر به افزایش دقت پیشبینی گردد. از این رو، در این پژوهش بخش خطی را بوسیلهی مدل ARIMA پیشبینی کرده، آنگاه پسماندهای غیر خطی را بوسیلهی شبکهی عصبی پیشخور مدل سازی نموده و پیشبینی حاصل از آن را به مدل ARIMA ، بهمنظور پیشبینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیشرو) اضافه مینماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدلهای ARIMA و شبکهی عصبی بر اساس دو معیار MSE و MAE با استفاده از آزمونهای مقایسه زوجی و دایبولد- ماریانو دال بر عملکرد بهتر مدل ترکیبی است.
Keywords:
Authors
شاپور محمدی
دانشیار، اقتصاد سنجی، دانشگاه تهران، تهران، ایران
رضا راعی
دانشیار، مدیریت مالی، دانشگاه تهران، تهران، ایران
محمدرضا رحیمی
دانشجوی دکتری، مدیریت مالی، دانشگاه تهران، تهران، ایران