مهدی احراری

مهدی احراری

مطالب
ترتیب بر اساس: جدیدترینپربازدید‌ترین

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۲۱ تا ۳۰ مورد از کل ۳۰ مورد.
۲۱.

Modeling and Forecasting Effects of Crude Oil Price Changes on the US and UK GDP(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Economics Studies, Volume ۳۷, Issue ۲, Summer and Autumn ۲۰۱۱

کلید واژه ها: قیمت نفت خام ARIMA تولید ناخالص داخلی( GDP ) شبکه عصبی GMDH و MLFF

حوزه های تخصصی:
تعداد بازدید : ۱۵۵۲ تعداد دانلود : ۸۳۵
در تحقیق حاضر، پیش ­ بینی تغییرات قیمت نفت خام به عنوان منبع مهم انرژی بر تولید ناخالص داخلی کشورهای آمریکا (به عنوان بزرگترین مصرف کننده ­ ی نفت) و انگلستان (به عنوان تولید کننده ­ ی نفت) بررسی می شود. در این مطالعه با استفاده از شبکه عصبی GMDH و شبکه عصبی MLFF (به عنوان مدل ­ های غیرخطی) به پیش بینی GDP آمریکا و انگلیس با 2 الگو شامل: 1) وقفه ­ های قیمت نفت و GDP و 2) فقط وقفه­ای GDP ، پرداخته می شود. نتایج حاصله با مدل ARIMA (به عنوان مدل خطی) مقایسه می­شود. داد­های مورد استفاده به صورت سالانه از سال 1952 تا سال 2010 می ­ باشند. نتایج نشان می دهد که شبکه عصبی GMDH ، با لحاظ وقفه های GDP و وقفه ­ های نفت، بهترین عملکرد پیش ­ بینی را در مورد هر دو کشور آمریکا و انگلستان به خود اختصاص داده است.
۲۲.

الگوسازی و پیش بینی رشد اقتصادی ایران با رویکرد شبکه عصبی GMDH(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصادی پاییز ۱۳۸۸ شماره ۸۸

کلید واژه ها: شبکه عصبیGMDH پیش‎بینی رشد تولید ناخالص داخلی فرآیند قیاسی

حوزه های تخصصی:
تعداد بازدید : ۲۲۶۶ تعداد دانلود : ۱۰۱۳
در این مقاله از شبکه عصبی GMDH، به‎عنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روند‎های غیرخطی پیچیده، به‎ویژه با تعداد مشاهدات محدود، برای الگوسازی و پیش‎بینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل 7 متغیر همراه با وقفه اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع 18 مدل اجرا شد. نتایج نشان داد الگو‎های حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیش‎ترین سهم را در کاهش خطای پیش‎بینی دارا هستند. هم‎چنین اثر مضاعف رشد هزینه‎های دولت بر متغیر هدف، مؤید نتایج مطالعات اخیر در کشورهای در حال توسعه نفتی است. برتری شبکه عصبی GMDH در دقت پیش‎بینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تائید قرار گرفت.
۲۵.

پیش بینی قیمت آمونیاک با رویکرد تحلیل های بنیادین، تکنیکی و شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد مقداری بهار ۱۳۸۸ شماره ۱ (پیاپی ۲۰)

کلید واژه ها: پیش بینی تحلیل تکنیکی شبکه عصبی GMDH قیمت آمونیاک قیمت گاز طبیعی تحلیل بنیادین

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد صنعتی ساختار بازار،استراتژِ بنگاه و عملکرد بازار تولید،قیمت گذاری و ساختار بازار،توزیع سایز بنگاه ها در بازار
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۲۴۷۳ تعداد دانلود : ۱۵۲۸
با توجه به اهمیت پیش بینی در حوزه مسایل مالی و اقتصادی محققان همواره در تلاشند که از روش های دقیق تری در این زمینه بهره بگیرند تا به درک نسبی بهتری از وضعیت آینده بازار دست یافته، از نااطمینانی ها بکاهند. در این مقاله از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیر خطی پویای پیچیده، برای پیش بینی قیمت آمونیاک استفاده شده است. برای اتنخاب متغیرهای اثرگذار بر قیمت آمونیاک از دو روش تحلیل بنیادین و تکنیکی استفاده شده است. روش تحلیل بنیادین با تکیه بر تئوری عرضه و تقاضا و نگرش کلان اقتصادی، همه عوامل اثرگذار احتمالی بر قیمت را برای مدل سازی و پیش بینی قیمت به محقق پیشنهاد می کند، سپس با تکیه بر توانایی الگوریتم GMDH در شناسایی متغیرهای زاید، از میان همه عوامل اثرگذار احتمالی تنها از عناصر اثرگذارتر بر قیمت آمونیاک استفاده شده است تا پیش بینی های دقیق تر و بدون تورشی ارایه شود. دقت پیش بینی های انجام شده در بازه مورد بررسی بیش از 99 درصد است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در اینجا آمونیاک خاورمیانه) نتایج دقیقی را به دست داده است. برتری شبکه عصبی GMDH در دقت پیش بینی قیمت آمونیاک نسبت به روش ARIMA در بخش پایانی مورد تایید قرار گرفته است.
۲۶.

محاسبه هوشمند حداکثر درآمد در بازار پیش خرید و پیش فروش نفت خام(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات اقتصاد انرژی زمستان ۱۳۸۷ شماره ۱۹

کلید واژه ها: الگوریتم ژنتیک عایدی تحلیل تکنیکی نفت خام شبکه عصبی GMDH بازار پیش خرید و پیش فروش بهینه سازی چند منظوره

حوزه های تخصصی:
تعداد بازدید : ۱۳۲۸ تعداد دانلود : ۸۲۳
در این مقاله، از رویکرد هوشمند تلفیقی، مشتمل بر نوعی از شبکه عصبی موسوم به GMDH و الگوریتم ژنتیک و بهینه سازی چند منظوره، برای تحلیل قیمت پیش خرید و پیش فروش نفت خام به منظور محاسبه حداکثر درآمد حاصل از پیش بینی در روندهای مختلف بازار مبتنی بر قواعد تحلیل تکنیکی استفاده شده است. نتایج نشان میدهد که در بازه زمانی 5 تا 10 روزه برای دوره های مختلف، بازار عایدی مطلق به 97% میرسد. هم چنین روند صعودی دارای بیش ترین عایدی و روند بیثباتی توام با تغییر، کم ترین عایدی را دارد.
۲۷.

مدل سازی و پیش بینی قیمت بنزین با استفاده از شبکه عصبی GMDH(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های اقتصادی ایران پاییز ۱۳۸۷ شماره ۳۶

کلید واژه ها: پیش بینی الگوریتم ژنتیک تحلیل تکنیکی میانگین متحرک مدل سازی قیمت نفت شبکه عصبی GMDH قیمت بنزین روش قیاسی

حوزه های تخصصی:
تعداد بازدید : ۳۳۵۷ تعداد دانلود : ۱۶۱۲
در این پژوهش از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیرخطی پویای پیچیده، برای پیش بینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی، استفاده کرده ایم. متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی) بر قیمت بنزین و در روش تحلیل تکنیکی شامل میانگین های متحرک کوتاه و بلندمدت است. نتایج نشان دهنده دقت بیش از 96درصد پیش بینی و پایداری روش قیاسی و بیش از99درصد تحلیل تکنیکی است. اثر روز دوشنبه به عنوان یک معیار تحلیل تکنیکی در روش قیاسی، تایید شده است. همچنین، در مقایسه معیارهای خطا، دقت پیش بینی های شبکه عصبی GMDH به طور معناداری از الگوی رگرسیونی بهتر است.
۲۸.

پیش‎بینی تقاضای آب شهرتهران با استفاده از الگوهای ساختاری، سری‎های زمانی و شبکه عصبی نوع GMDH(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصادی پاییز ۱۳۸۷ شماره ۸۴

کلید واژه ها: شبکه عصبی GMDH تقاضای آب شهر تهران پیش‎بینی الگو‎های ساختاری و سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۲۰۷۸ تعداد دانلود : ۱۱۹۵
روش‎ها و الگوهای اقتصاد سنجی متفاوتی، از قبیل تجزیه و تحلیل رگرسیون و سری‎های زمانی به منظور پیش‎بینی تقاضای آب، به‎طور معمول توسط محققان مختلف مورد استفاده قرار گرفته‎اند. اما در سال‎های اخیر تکنیک جدید شبکه‎های عصبی به عنوان ابزاری مؤثر و کارا در پیش‎بینی متغیرهای اقتصادی مطرح شده است. در مقاله حاضر، از شبکه عصبی نوع GMDH مبتنی برالگوریتم ژنتیک، الگوهای ساختاری و هم‎چنین سری‎های زمانی، به منظور مقایسه روش‎های پیش‎بینی تقاضای سرانه آب در شهر تهران استفاده شده است. متغیرهای مورد نظر در الگوهای پیش بینی تقاضای آب عبارتند از مصرف سرانه آب، قیمت آب، متوسط درآمد خانوار و متوسط درجه حرارت سالانه در شهر تهران. نتایج به‎دست آمده حاکی از آن است که پیش -بینی تقاضای آب با استفاده از روش شبکه‎های عصبی نوع GMDH، نسبت به برآوردهای حاصل از الگوهای ساختاری و سری زمانی، از درجه کارایی بیش‎تری برخوردار است. بنابراین، استفاده از شبک? عصبی مصنوعی در پیش بینی متغیرهای اقتصادی، می‎تواند به عنوان ابزاری در کنار سایر روش‎های پیش بینی مورد استفاده تصمیم‎گیران و سیاست‎گذاران در بخش مدیریت آب قرار گیرد.
۲۹.

به کارگیری نمای لیاپاتوف برای مدل سازی سری زمانی قیمت نفت بر پایه توابع پویا(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصادی آذر و دی ۱۳۸۵ شماره ۷۶

کلید واژه ها: سری زمانی سیستم های پویا قیمت نفت آشوب تابع لجستیک نمای لیاپانوف

حوزه های تخصصی:
تعداد بازدید : ۲۴۳۴ تعداد دانلود : ۱۱۵۹
به کارگیری سیستم های غیر خطی پویا در تحلیل سری های زمانی اقتصادی، مدت هاست که مورد توجه اقتصاددانان قرار گرفته است. سیستم های غیر خطی پویا، رفتارهای مختلفی را از خود بروز می دهند، که می تواند در توجیه بسیاری از پدیده های اقتصادی که به نظر تصادفی می آیند، به کار گرفته شود. در این مقاله، راهکاری ارایه شده است، که بر اساس آن می توان تابع پویای خاصی را برای مدل سازی سری زمانی مفروضی به کار گرفت. ابتدا بزرگترین نمای لیاپانوف با ابعاد محاط برای سری زمانی محاسبه و با تطابق آن با نمای لیاپانوف تابع پویا، پارامتر کنترل کننده تابع، تخمین زده می شود. در این مقاله، از تابع لجستیک برای مدل سازی قیمت روزانه نفت در بازه زمانی 2000-1998، استفاده شده است. تابع لجستیک حاصل، برای پیش بینی قیمت در روندهای مختلف به کار گرفته شده است. نتایج به دست آمده از دقت بالایی برخوردار است. به محض آن که بتوان تابع پویا را به سری زمانی مفروضی برازش کرد، رفتارهای غیر خطی این تابع، می تواند در تحلیل عملکرد سری زمانی، امکان زیادی را در اختیار تحلیل گر اقتصادی قرار دهد.
۳۰.

آزمون ناخطی معین برای قیمت های آتی نفت(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های اقتصادی ایران بهار ۱۳۸۱ شماره ۱۰

کلید واژه ها: آشوب معین مدل سازی ناخطی قیمت های آتی

حوزه های تخصصی:
تعداد بازدید : ۱۵۱۸ تعداد دانلود : ۷۹۷
یکی از مسائل مهم و راهبردی در مباحث اقتصادی امروز، دقت، صحت و کارایی مدل های پیش بینی سری های زمانی است. به همین دلیل در سال های اخیر توجه اقتصاددان ها به مدل های ناخطی معطوف شده است. زیرا، پدیده های متعددی نظیر آشوب در مدل های ناخطی قابل بررسی است. در این مقاله، به بررسی وجود آشوب در سری زمانی قیمت های آتی نفت (96-1999) می پردازیم. به این منظور از دو روش عمومی و کاربردی تخمین بعد هم بستگی (CD) و بزرگترین نمای لیاپانوف (LLE) برای اثبات وجود آشوب و از تحلیل R/S یا نمای هرست (HE) برای تشخیص غیر تصادفی بودن سری استفاده می کنیم. به این ترتیب، فرضیه غیرتصادفی و ناخطی بودن ساختار سری زمانی قیمت های آتی نفت را آزمون (اثبات یا رد) می کنیم. به عبارت دیگر، می خواهیم به این پرسش پاسخ دهیم که آیا می توان یک مدل ناخطی پویا برای سری زمانی قیمت های آتی نفت پیشنهاد کرد تا به تبع آن بتوان یک پیش بینی تعیینی دقیق و صحیح را برآورد کرد؟ براساس آزمون های انجام شده نشان می دهیم که سری زمانی قیمت های آتی نفت (96-1999) دارای ساختار آشوبناک ضعیف و معین است. بنابراین، می توان یک مدل ناخطی پویا را به همنظور تعیین رفتار و پیش بینی تعیینی و با دقت بالا در کوتاه مدت برای سری زمانی قیمت های آتی نفت ارایه کرد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان