مطالب مرتبط با کلید واژه

خودرگرسیون میانگین متحرک


۱.

ارزیابی عملکرد الگوهای شبکهی عصبی و خودرگرسیون میانگین متحرک در پیش بینی قیمت نفت خام ایران

کلید واژه ها: قیمت پیش بینی نفت خام ایران شبکهی عصبی مصنوعی خودرگرسیون میانگین متحرک

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی نفت،گاز طبیعی،زغال سنگ،مشتقات نفتی پیش بینی قیمت،نوسانات قیمتی،عدم ثبات،نااطمینانی و ریسک
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۱۵۷۹ تعداد دانلود : ۷۶۶
این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت نفت خام ایران انجام شده است داده های مورد استفاده به صورت هفتگی و شامل دورهی 2010-1997 میباشد و پیش بینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیش بینی، شامل 4 الگوی شبکهی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکهی پیشخور پس انتشار، شبکهی آبشاری پس انتشار، شبکهی المان پس انتشار و شبکهی رگرسیون تعمیم یافته می باشد. هم چنین توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبهی نیوتنی است. یافته های به دست آمده نشان میدهد برای پیش بینی 10 درصد از داده های قیمت نفت خام، الگوهای شبکهی رگرسیون تعمیم یافته و شبکهی آبشاری پس انتشار با تابع آموزش شبهی نیوتنی، به ترتیب با خطایی کم تر از 1 و کم تر از 2 درصد دارای بهترین عملکرد هستند. برای پیش بینی 20 درصد داده های قیمت نفت خام ایران، شبکهی پیشخور پس انتشار و شبکهی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر میباشند. در مورد 30 درصد از داده ها نیز شبکهی پیشخور پس انتشار مطلوب تر ارزیابی شده است. هم چنین نتایج نشان میدهد به طور نسبی با افزایش درصد داده های مورد استفاده در پیش بینی، دقت پیش بینیها به ویژه با افزایش از 10 درصد به 20 درصد رو به افول میرود. دقت پیش بینی خودرگرسیون میانگین متحرک نیز پایین تر از الگوهای شبکهی عصبی ارزیابی میشود.
۲.

کاربرد مدل های شبکه عصبی و ARIMA در پیش بینی قیمت گازوییل

تعداد بازدید : ۱۱۴۳ تعداد دانلود : ۵۳۱
این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت گازوییل در بازار انرژی سنگاپور به عنوان بازار مؤثر بر قیمت گازوییل در خاورمیانه انجام شد. داده های مورد استفاده به صورت هفتگی و شامل دوره (2010-1987) می باشد. پیش بینی ها برای 10، 20 و 30 درصد داده ها صورت گرفت. الگوهای مورد استفاده برای پیش بینی شامل چهار الگوی شبکه عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بود. شبکه های منتخب شامل شبکه پیشخور پس انتشار، شبکه آبشاری پس انتشار، شبکه المان پس انتشار و شبکه رگرسیون تعمیمیافته می باشد. همچنین، توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبه نیوتنی است. یافته ها در مورد تمام گروه از داده ها، کمترین خطای پیش بینی در شبکه را نشان دادند که از تابع آموزش لونبرگ- مارکوآت استفاده می کند. همچنین، مشخص شد برای پیش بینی 20 و 30 درصد داده ها شبکه المان پس انتشار و برای پیش بینی 10 درصد داده ها شبکه پیشخور پس انتشار دارای کمترین خطای پیش بینی هستند. همچنین، نتایج نشان دادند شبکه رگرسیون تعمیمیافته و الگوی رگرسیونی خودرگرسیون میانگین متحرک در مقایسه با سه شبکه دیگر از دقت قابل رقابتی برخوردار نیستند. البته یافته های آماره دیبلد- ماریانو نشان دادند که میان شبکه های دارای کمترین خطای پیش بینی از لحاظ آماری تفاوت معناداری در دقت پیش بینی وجود ندارد. برای قیمت گازوییل به طور نسبی استفاده از 80 درصد از داده ها برای آموزش و 20 درصد برای پیش بینی در مقایسه با سایر ترکیب از داده ها خطای پیش بینی کمتر نشان داد. بر اساس نتایج به دست آمده می توان با استفاده از شبکه های پیشنهادی مطالعه به پیش بینی هایی با خطای حدود 2 درصد دست یافت.
۳.

طراحی مدل پیش بینی بازده بورس اوراق بهادار تهران با استفاده از مدل های خودرگرسیون میانگین متحرک (ARMA) و خودرگرسیون میانگین متحرک با ورودی های خارجی (ARMAX) و ارزیابی عملکرد آن ها

نویسنده:
تعداد بازدید : ۱۷۵ تعداد دانلود : ۱۰۹
بازده بازارهای سرمایه تحت تأثیر عوامل مختلفی هستند. این عوامل دامنه گسترده و وسیعی از عوامل کلان جهانی تا رفتارهای تاریخی متغیر وابسته را شامل می شود. پژوهشگران زیادی، هریک بخش یا بخش هایی از این دامنه گسترده عوامل تأثیرگذار بر بازده بازار سرمایه را در کشورهای مختلف، انتخاب و اقدام به مدل سازی برای پیش بینی بازده بازار سرمایه مربوطه کرده اند. پژوهش حاضر نیز با هدف مدل سازی و پیش بینی بازده بورس اوراق بهادار تهران، از مدل های خود توضیحی و ترکیبی استفاده کرده است. به گونه ای که از مدل های خودرگرسیون میانگین متحرک و خودرگرسیون میانگین متحرک با ورودی های خارجی برای مدل سازی و پیش بینی بازده بورس اوراق بهادار تهران یاری گرفته است. در پژوهش حاضر، برای تبیین هر چه کامل تر مدل و به کارگیری عوامل حداکثری، پس از بررسی موضوع بازده و عوامل مؤثر بر بازده، موضوع پیش بینی و روش های متداول آن و انواع مدل های پیش بینی بازده بازار سرمایه بررسی شده است. سپس از مدل های رگرسیون خطی کلاسیک، خود رگرسیون میانگین متحرک (ARMA) و خود رگرسیون میانگین متحرک با ورودی های خارجی (ARMAX) برای پیش بینی بازده بورس اوراق بهادار تهران استفاده شد. پس از تخمین مدل های یادشده، با استفاده از داده های 99 دوره ای و تأیید قدرت تصریح آن ها بااستفاده از به کارگیری آزمون های تشخیصی، بازده بورس اوراق بهادار تهران برای 4 دوره آتی پیش بینی شد. پیش بینی های صورت پذیرفته با استفاده از مدل های تخمینی با داده های واقعی مورد مقایسه قرار گرفته و مدل بهینه با استفاده از معیارهای اطلاعاتی آکائیک، شوارزبیزین و حنان کوئیک و همچنین معیار MSE,MAE,MAPE انتخاب شد. نتیجه نهایی مؤید برتری مدل ARMA بر مدل ARMAX است.