مطالب مرتبط با کلید واژه " پیش بینی "


۱.

پیش ‌بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی

کلید واژه ها: پیش بینیشبکه عصبی مصنوعیصادرات پستهفرآیند ARIMA

حوزه های تخصصی:
تعداد بازدید : ۴۶۵
با توجه به اهمیت پیش بینی صادرات در برنامه‌ریزی و سیاست گذاری و بمنظور پیش بینی صادرات پسته ایران ، در این مطالعه از شبکه عصبی مصنوعی و فرآیند ARIMA استفاده و نتایج حاصله مورد مقایسه قرار گرفت . بمنظور انجام بررسی‌ها از داده‌های گمرک ایران برای سالهای 1304 تا 1382 استفاده گردید . از داده‌های دوره 77-1304 به منظور مقایسه روشها و از داده‌های 5 سال آخر برای بررسی قدرت پیش بینی استفاده شد . نتایج مطالعه نشان داد که شبکه عصبی پیش خور دارای عملکرد بهتری در مقایسه با سایر شبکه‌های عصبی و فرآیند ARIMA بوده و قادر است میزان صادرات پسته را دقیق‌تر پیش بینی نماید ...
۲.

پیش بینی روند قیمت فولاد با استفاده از شبکه های عصبی مصنوعی (ANN) و مقایسه ی نتایج آن با روش ARIMA

کلید واژه ها: پیش بینیشبکه های عصبی مصنوعی (ANN)خود رگرسیون میانگین متحرک انباشته (ARIMA)

حوزه های تخصصی:
تعداد بازدید : ۵۳۶
صنعت فولاد به عنوان یک صنعت مادر از جایگاه ویژه ای در اکثر کشورها برخوردار است. میزان مصرف این محصول در صنایع زیربنایی، یکی از شاخص های توسعه در کشورهاست. این مقاله می کوشد روش شبکه های عصبی (ANN) را معرفی و کاربرد این روش را برای پیش بینی قیمت فولاد بررسی نماید. برای سنجش بهتر این روش، آن را با یکی از روش های معمول اقتصادسنجی یعنی روش خود رگرسیون میانگین متحرک انباشته (ARIMA) مقایسه می کنیم. برای شبکه های عصبی مصنوعی از شبکه ی پیشرو با آموزش پس انتشار خطا استفاده شده است و در ادامه بروز انواع مشکل برازش بیش از حد بررسی و راه های مقابله با آن عنوان می گردد. در روش شبکه ی عصبی، شبکه ای با معماری پنج گره در لایه ی ورودی، دو نرون در لایه ی میانی و یک نرون در لایه ی خروجی که دارای کمترین میانگین مربعات خطا بود، انتخاب گردید. در روش (ARIMA) نیز با توجه به متدولوژی باکس- جنکینز، مدل به صورت ARIMA(1،1،0) درآمد. در نهایت نتایج به دست آمده نشان می دهد که مدل شبکه ی عصبی بهتر از روش دیگر عمل می نماید و خطای پیش بینی آن از روش ARIMA بسیار کمتراست
۳.

مدل سازی پیش بینی قیمت سهام با رویکرد شبکه ‌های عصبی فازی

کلید واژه ها: پیش بینیمنطق فازیشبکه های عصبی مصنوعیقیمت سهامشبکه های عصبی فازی

حوزه های تخصصی:
تعداد بازدید : ۱۶۶۱
پیش بینی قیمت سهام در بورس اوراق بهادار از اهمیت خاصی برخوردار است، زیرا نشان دهنده وضعیت کلی مطلوب یا نامطلوب سرمایه گذاری برای سهامداران و سرمایه گذاران است. در میان روش های پیش بینی، شبکه های عصبی مصنوعی و منطق فازی در بسیاری از زمینه های کاربردی استفاده شده اند و هر کدام آن ها دارای محاسن و معایبی هستند. این مقاله به دنبال ترکیب تئوری استدلال فازی با روش شبکه های عصبی جهت بهبود دقت و سرعت همگرایی مدل پیش بینی است. بنابراین، یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی بر اساس مدل استدلال تاکاگی سوگنو در نظر گرفته شده است.
۴.

پیش بینی شاخص کل بازدهی سهام تهران با استفاده از مدل های خطی و غیرخطی

کلید واژه ها: پیش بینیشبکه عصبیGARCHANNحافظه بلندمدتARFIMAشاخص کل بازدهی سهام تهران

حوزه های تخصصی:
تعداد بازدید : ۵۹۷
پیش بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاستگذاران اقتصادی کشورها دارد. در این مقاله شاخص کل بازدهی سهام تهران (TEPIX) با استفاده از داده های روزانه و هفتگی این شاخص در بازه زمانی سال 1377تا 1382 و بکارگیری روش های مختلف پیش بینی مانند مدل های ARIMA، ARFIMA، GARCH و شبکه عصبی (ANN) برآورد و پیش بینی شدند. مقایسه دقت پیش بینی مدل های مذکور از طریق معیار های پیش بینی مانند RMSE، MAE و U-Thiel نشان می دهد که مدل ANN در پیش بینی شاخص روزانه و هفتگی عملکرد بهتری نسبت به سایر مدل ها دارد، اما مقایسه آماری دقت پیش بینی مدل های مختلف با استفاده از آماره دیبلد- ماریانو، تفاوت معنی داری بین دقت پیش بینی مدل های مذکور را نشان نمی دهد.
۵.

بررسی میزان اثرپذیری شاخص قیمت سهام بورس اوراق بهادار تهران از قیمت جهانی نفت و طلا (مدل سازی و پیش بینی)

کلید واژه ها: پیش بینیشاخص قیمت سهام بورس اوراق بهادار تهرانشاخص قیمت جهانی نفتشاخص قیمت جهانی طلامدل گارچ و مدل آرچ

حوزه های تخصصی:
تعداد بازدید : ۲۰۷۶ تعداد دانلود : ۲۰۶۹
بورس اوراق بهادار یک بازار متشکل و رسمی خرید و فروش سهام شرکت ها بر اساس ضوابط و قوانین خاص است. عوامل زیادی در شکل گیری اطلاعات و دیدگاه های طرفین بازار و قیمت سهام شرکت ها موثر است. بخشی از این عوامل داخلی و بخشی نیز ناشی از وضعیت متغیرهایی در خارج از محدوده ی اقتصاد داخلی است. در این میان، قیمت جهانی نفت به عنوان یک متغیر برونزای قدرتمند، بسیاری از متغیرهای اقتصاد کلان، از جمله شاخص قیمت سهام را می تواند تحت تاثیر قرار دهد. از سوی دیگر، قیمت جهانی طلا نیز به عنوان متغیری با اهمیت در بسیاری از تحولات پولی و مالی بین المللی است (اگر چه این نقش به مرور زمان تا حدودی تقلیل یافته است). در این تحقیق، تاثیر شاخص های قیمت جهانی طلا و نفت بر شاخص قیمت بورس اوراق بهادارتهران با استفاده از داده های ماهانه، طی دوره ی 2006-1997 و مدل اقتصادسنجی گارچ ارزیابی شده است. تخمین با استفاده از نرم افزار Eviews5 انجام شده است. بر این اساس پس از شناسایی و انتخاب روند مناسب برای پیش بینی متغیر وابسته با استفاده از مدل فر و شیلر (1990) اثرپذیری شاخص کل قیمت سهام بورس تهران بررسی شده است. نتایج تحقیق نشان داد که تاثیر شاخص قیمت جهانی طلا بر شاخص قیمت سهام بورس تهران نسبت به تاثیر شاخص قیمت جهانی نفت بیشتر است.
۶.

نقش سیستمهای اطلاعاتی در مدیریت بحران

کلید واژه ها: پیش بینیمدیریت ریسکبحرانپیشگیریمدیریت بحرانسیستمهای اطلاعاتیسیستمهای اطلاعات استراتژیک

حوزه های تخصصی:
تعداد بازدید : ۱۱۱۳ تعداد دانلود : ۱۱۰۶
یکی از ویژگیهای مهم جهان امروز بروز ناپایداریها و تغییرات شدید و گسترده در نظامهای سیاسی،اقتصادی،اجتماعی و اداری می باشد. در عصر انفجار اطلاعات،با افزایش روزافزون نیازها،انتظارات،اطلاعات و تحولات مختلف زیست – محیطی و تکنولوژیکی ، به یکباره جوامع بشری دچار نوعی تزلزل،سردرگمی،التهاب و پیچیدگی خاصی شدند که پیامد آن بروز رویدادها و بحرانهای مخاطره انگیز در این جوامع است . در دنیای کنونی روند سیاسی ، اقتصادی و اجتماعی دائماً در معرض التهابات و تهدیدهای بسیار خطرناکی می باشد که جز با مدیریتی مدبرانه و مبتنی بر دانش و حکمت امکان خروج از بن بستهای حاصل از این بحرانها وجود ندارد . در این مقاله ، ضمن معرفی "مدیریت بحران"،نقش"سیستمهای اطلاعاتی" را در فرایند اجرا و تحقق این مدیریت نوین معرفی می کنیم . سیستمهای اطلاعاتی که در واقع حیاتی ترین منبع تأمین کننده اطلاعات،تحلیلها و راه حلهای استراتژیک در هنگام مقابله با بحرانها می باشند،نقش بسیار سرنوشت سازی در پیش بینی ،پیشگیری و مهار ریسکها و بحرانها دارند که در این نوشتار به آنها خواهیم پرداخت. در این تحقیق ضمن استفاده از مطالعات کتابخانه ای و تطبیقی،از تجربیات زلزله معروف بم نیز بهره مند شده و با مصاحبه با متخصصینی که به نحوی از انحاء در این شهر زلزله زده حضور داشته و در امور مشارکت داشته اند ، فرضیات خود را بررسی نموده ایم.
۷.

پیش بینی بازده سهام در بورس اوراق بهادار تهران: مدل شبکه های عصبی مصنوعی و مدل چند عاملی

کلید واژه ها: پیش بینیبازده سهامشبکه های عصبی مصنوعیمدل چند عاملی

حوزه های تخصصی:
تعداد بازدید : ۷۲۲
ین تحقیق به پیش بینی پذیری رفتار بازده سهام در بورس اوراق بهادار بوسیله مدل خطی عاملی و شبکه های عصبی مصنوعی می پردازد. جهت آزمون این مساله، قیمت روزانه سهام شرکت توسعه صنایع بهشهر به عنوان نمونه انتخاب شده است. متغیرهای مستقل (ورودی های) تحقیق، پنج متغیر کلان اقتصادی، یعنی شاخص کل قیمت بورس تهران، نرخ ارز (دلار) در بازار آزاد، قیمت نفت، قیمت طلا می باشد. برای برازش مدل عاملی از رگرسیون خطی چند متغییره و برای مدل شبکه عصبی از معماری (MLP) با الگوریتم آموزش پس انتشار خطا استفاده شده است. نتایج حاصله حاکی از موفقیت این دو مدل در پیش بینی رفتار بازده سهام مورد نظر و همچنین برتری عملکرد شبکه های عصبی مصنوعی بر مدل چند عاملی می باشد.
۸.

پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی

کلید واژه ها: پیش بینینظریه آشوببورس اوراق بهادار تهرانشاخص قیمتشبکه های عصبی مصنوعی ( ANNs )

حوزه های تخصصی:
تعداد بازدید : ۱۰۲۵
پژوهش حاضر به مطالعه پیش بینی شاخص قیمت سهام در بورس اوراق بهادار تهران به وسیله شبکه های عصبی و ارایه ی شواهدی مبنی بر رفتار آشوبناک شاخص قیمت در بورس اوراق بهادار می پردازند. دو مجموعه از داده ها برای ورودی شبکه عصبی انتخاب شده اند. وقفه های مختلفی از شاخص و عوامل کلان اقتصادی به عنوان متغیرهای مستقل. شبکه های عصبی به کار گرفته شده در این پژوهش از نوع پرسپترون چند لایه (MLP) است که به روش الگوریتم پس انتشار خطا آموزش دیده اند، و شامل شبکه های عصبی پیش خور سه لایه و چهار لایه با تعداد نرون های مختلف در لایه های ورودی و پنهان است. هم چنین از مدل خطی ARIMA برای پیش بینی شاخص قیمت در هفته ی بعدی استفاده شده است. نتایج حاصل از پژوهش نشان می دهدکه شبکه ها عصبی عملکرد بهتری نسبت به مدل خطیARIMA برای پیش بینی شاخص قیمت دارند و هم چنین مقدار قابل قبول MSE برای خطای شبکه در داده های آزمون و برآورد نشان دهنده ی این مطلب است که حرکات آشوبناک در رفتار شاخص قیمت وجود دارد. و آزمون R2 محاسبه شده نشان دهنده شواهدی علیه فرضیه بازار کارا و گشت تصادفی است.
۹.

تعیین و پیش بینی کارایی شعب بانک ملت استان قزوین با استفاده از روش تحلیل پوششی داده های تصادفی

کلید واژه ها: پیش بینیکاراییتحلیل پوششی داده هاتحلیل پوششی داده های تصادفیمدل تحلیل پوششی داده های آینده نگر

حوزه های تخصصی:
تعداد بازدید : ۴۱۷ تعداد دانلود : ۴۱۲
هدف از این تحقیق بررس مدل های تحلیل پوششی داده های تصادفی و انتخاب و به کارگیری مدلی جهت پیش بنی کارایی شعب بانک ملت استان قزوین در سال مالی 1382 است در این میان به منظور تعیین اعتبار نتایج به کارگیری مدل کارایی واقعی شعب در دوره زمانی بحث با کارایی پیش بینی شده مقایسه میگردد در نهایت نتایج و فوایدی که به کارگیری مدل تحلیل پوششی داده های تصادفی برای بهبود تصمیم گیری مدیریت به همراه دارد مورد بحث واقع می شود
۱۰.

بررسی رابطه بین سطوح سازگاری و رگه های شخصیتی نوجوانان

کلید واژه ها: پیش بینیسازگاریعوامل شخصیتویژگیهای روانشناختی

حوزه های تخصصی:
تعداد بازدید : ۱۵۶۵ تعداد دانلود : ۱۵۱۶
"چکیده: مقدمه: سازگاری و عوامل مرتبط با آن از موضوعات مهمی است که در حوزه های مختلف روانشناسی به آن پرداخته می شود. گستره مفهوم سازگاری تا جایی است که گاهی تعیین حدود و نوع رابطه آن با مفاهیمی نظیر شخصیت با ابهام همراه است. بر این اساس پژوهش حاضر برآن است تا نوع و میزان ارتباط میان هریک از عوامل شخصیت و سازگاری نوجوانان را مورد بررسی قرار دهد. روش: در این پژوهش سطوح مختلف سازگاری با استفاده از مدل همبستگی و رگرسیون بر اساس ویژگیهای روانشناختی مورد پیش بینی قرار گرفته است. تعداد 456 دانش آموز در دسترس از میان دانش آموزان پایه سوم دبیرستان های پسرا نه منطقه 3 تهران به پرسشنامه ویژگیهای روانشناختی کالیفرنیا و پرسشنامه سازگاری دانش آموزان پاسخ دادند. از مدل رگرسیون لجستیک برای پیش بینی سطوح سازگاری بر اساس ویژگیهای روانشناختی و از مدل تحلیل عاملی و مدل حذف گام به گام برای کاهش تعداد عوامل پیش بینی کننده و استخراج کمترین ترکیب عاملی با بیشترین توان پیش بینی استفاده شد. یافته ها: بر اساس نتایج بدست آمده از میان هجده ویژگی روانشناختی یک ترکیب پنج عاملی شامل هویت جنسی، اشتراک، انعطاف پذیری،اجتماعی شدن و سلطه گری در مقایسه با سایر ترکیب ها بیشترین توان را در پیش بینی سطوح سازگاری نشان داد. نتیجه گیری: با توجه به ماهیت مجموعه پنج عاملی فوق، سازگاری را می توان بعنوان بخشی از تعریف شخصیت و یا محصول ارتباط ویژه میان برخی از عوامل آن در نظر گرفت و نیز بر اساس مجموعه رفتارهای مرتبط با عوامل فوق بنظر می رسد برای افزایش سطح سازگاری نوجوانان لازم است تا به شرایط سنی و جنسیت نوجوانان و نیز نوع ارتباط آنها با گروه همسالان بیشتر از هر عامل دیگر توجه شود. "
۱۲.

مروری بر نظریه آشوب و کاربردهای آن در اقتصاد

نویسنده:

کلید واژه ها: پیش بینیبی نظمیمدل های غیرخطی

حوزه های تخصصی:
تعداد بازدید : ۲۲۲۵ تعداد دانلود : ۲۱۹۸
نظریه آشوب در دهه های اخیر جز پژوهش های علمی رشته های گوناگون مانند فیزیک و ریاضی قرار گرفته است، اما در واقع، مفهوم ساده آن ریشه در برداشت های اولیه انسان در مورد جهان دارد. از نقطه نظر نظریه آشوب، سیستم های پیچیده صرفا ظاهری پرآشوب دارند و در نتیجه، نامنظم و تصادفی به نظر می رسند، در حالی که ممکن است تابع یک جریان معین با یک فرمول ریاضی مشخص باشند. در اقتصاد، بازارهای پولی و مالی یکی از موارد بسیار مناسب برای به کارگیری نظریه آشوب هستند، زیرا، نظریه های موجود در اقتصاد مالی و پولی حاکی از آن هستند که متغیرهای پولی، مانند نرخ ارز و قیمت سهام، تصادفی و در نتیجه، تغییرات آنها غیر قابل پیش بینی هستند. مطابق نظریه آشوب، اگر فرایند تعیین کننده متغیرهای پولی از یک فرایند غیرخطی معین پیروی کند، می توان تغییرات آنها را پیش بینی کرد. کاربردهای نظریه آشوب در اقتصاد به مباحث اقتصاد کلان نیز راه یافته است. در این زمینه نظریه آشوب می تواند به عنوان یکی از توجیهات دوران تجاری و همچنین، عدم تعادل بلند مدت بدون نیاز به دخالت شوک های برون زا در مدل های اقتصاد کلان مورد استفاده قرار گیرد. در این مقاله، با توجه به نو بودن ادبیات آشوب و بی نظمی در جهان و ایران، سعی شده است مروری سریع بر مفاهیم اولیه و ریاضی آن داشته، کاربردهای متنوع نظریه به ویژه در اقتصاد معرفی شوند. همچنین، روش های گوناگون آزمون آشوب که در واقع بیشترین جنبه کاربردی نظریه است معرفی و ارزیابی شده اند.
۱۳.

مدل سازی و پیش بینی قیمت بنزین با استفاده از شبکه عصبی GMDH

کلید واژه ها: پیش بینیمدل سازیالگوریتم ژنتیکقیمت نفتقیمت بنزینمیانگین متحرکشبکه عصبی GMDHتحلیل تکنیکیروش قیاسی

حوزه های تخصصی:
تعداد بازدید : ۱۲۱۰ تعداد دانلود : ۱۱۸۴
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.
۱۴.

تحلیل کشش قیمتی تقاضای بنزین در بخش حمل و نقل زمینی ایران و پیش بینی آن تا سال 1394

کلید واژه ها: پیش بینیتقاضاقیمتبنزینکشش

حوزه های تخصصی:
تعداد بازدید : ۱۲۵۳ تعداد دانلود : ۱۲۰۲
در این مقاله کشش قیمتی تقاضای بنزین طی سالهای 1359 – 1381 بررسی شده و کشش پذیری تقاضای بنزین برای سالهای 1382 – 1394 پیش بینی شده است برای این منظور با استفاده از روش خود توضیح با وقفه های گسترده (ARDL) تقاضای کل بنزین برآورد شد. نتایج حاصل از برآورد تابع تقاضای کل بنزین که تابعی از قیمت حقیقی بنزین و تعداد خودروها است نشان می دهد که یک رابطه منفی و ضعیف میان قیمت حقیقی بنزین و تقاضای کل بنزین وجود دارد، به طوری که یک واحد افزایش در قیمت حقیقی بنزین (200 ریال قیمت اسمی) منجر به کاهش سالانه 18.5 واحد (1850 میلیون لیتر) در تقاضای بنزین می شود. این رابطه ضعیف تا حدی به دلیل آن است که دولت همواره قیمت بنزین را پایین تر از قیمتهای تعادلی بین المللی نگه داشته و در اکثر سالها افزایش قیمت بنزین کمتر از تورم بوده است. در نتیجه، کاهش تقاضا در قبال افزایش قیمت بنزین محدود شده است. بر اساس این محاسبات افزایش سالانه 10 درصدی قیمت اسمی بنزین تاثیر مثبتی بر کشش پذیری تقاضای بنزین نداشته و تا پایان دوره پیش بینی، همچنان، کشش تقاضای بنزین کاهش یافته و روند نزولی آن ادامه می یابد. افزایش سالانه 30 درصدی قیمت اسمی بنزین در سناریوهای رشد سریع و مطلوب به طور تدریجی افزایش کشش پذیری تقاضای بنزین را موجب می شود و در سالهای پایانی دوره پیش بینی (0.5-) می رسد. با افزایش سالانه 50 درصد در قیمت اسمی بنزین کشش پذیری در هر سه سناریو سریع تر رخ داده است. به طوری که در سالهای 1390 و 1391 آستانه کشش پذیری نیز مشاهده می شود.
۱۶.

ارایه یک الگوی اقتصادسنجی برای سهمیه بندی تولید و صادرات نفت اوپک

نویسنده:

کلید واژه ها: پیش بینیمدل سازیتولیداوپکنفت خامتخلفسهمیه بندی

حوزه های تخصصی:
تعداد بازدید : ۳۵۱ تعداد دانلود : ۳۴۷
سازمان اوپک به عنوان یکی از بازیگران مهم عرصه انرژی نقش غیرقابل انکاری در مدیریت بازار انرژی داشته و در شرایط بحرانی به عنوان یک ثبات دهنده به بازار عمل کرده است. یکی از ابزارهایی که این سازمان برای مقابله با کاهش قیمت نفت به کار برده، مکانیسم "سهمیه بندی" است. در این مقاله چگونگی شکل گیری این مکانیسم و دیدگاه اعضای اوپک به این مقوله مورد تامل قرار گرفته و پس از آن با کمک مدل سازی اقتصاد سنجی اقدام به تخمین تولید در سال های 2005-1982برای اعضای اوپک شده است. پیش بینی تولید و سهمیه بندی تا سال 2017 نیز انجام گرفته است. نتیجه مدل سازی حاکی از آن است که برای بیش تر کشور های عضو اوپک، دو متغیر سطح ذخایر و سهم کشور ها در دوره گذشته در تعیین سهمیه بندی تاثیر بیش تری داشته اند. براساس نتایج پیش بینی، سهم تولید عربستان و عراق افزایشی گزارش است، در حالی که کشور های دیگر به طور کلی با کاهش سهمیه تولید روبه رو خواهند بود.
۱۷.

پیش بینی قیمت نفت خام با استفاده از هموارسازی موجک و شبکه عصبی مصنوعی

نویسنده:

کلید واژه ها: پیش بینیشبکه عصبی مصنوعیتبدیل موجکقیمت نفت خامهموار سازی

حوزه های تخصصی:
تعداد بازدید : ۵۹۱ تعداد دانلود : ۵۶۸
در این مقاله تلاش شده است تا با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کم تری از قیمت نفت خام داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده شده و سپس به وسیله شبکه عصبی مصنوعی و با داده های هموار سازی شده، قیمت نفت پیش بینی شده است. نتایج حاصل از مقایسه RMSE مدل های رقیب با مدل ترکیبی مورد اشاره، دلالت بر آن دارد که کاهش نویز و هموار سازی داده ها، عملکرد پیش بینی قیمت نفت را بهبود می دهد.
۱۸.

تخمین تابع تقاضای بنزین در بخش حمل و نقل با استفاده از الگوریتم ژنتیک

کلید واژه ها: پیش بینیحمل و نقلالگوریتم ژنتیکتقاضای بنزین

حوزه های تخصصی:
تعداد بازدید : ۹۰۳ تعداد دانلود : ۸۸۲
مصرف فرآورده های نفتی سبک به ویژه بنزین، با در نظر گرفتن اهمیت آن در بخش حمل و نقل، نقش اساسی در رشد و توسعه اقتصادی کشورها ایفا می کند. بررسی عوامل موثر بر تقاضای بنزین در جهت شناخت دقیق و صحیح از ساختار رفتاری مصرف، به منظور برنامه ریزی دقیق در راستای تحقق اهداف مورنظر، امری ضروری است. در این مقاله با استفاده از تکنیک الگوریتم ژنتیک، به تخمین تابع تقاضای بنزین در بخش حمل و نقل برای دوره (1353-85) در قالب معادلات خطی، درجه دو و نمایی پرداخته شده و با انتخاب بهترین مدل تخمین براساس معیارهای مرسوم، تقاضای بنزین در بخش حمل و نقل تحت سناریوهای مختلف تا سال 1404 پیش بینی شده است. در این مقاله تقاضای بنزین تابعی از تولید ناخالص داخلی، قیمت بنزین، جمعیت، تعداد خودروهای بنزین سوز، عمر متوسط خودرو و راندمان مصرف در نظر گرفته شده است. نتایج تحقیق نشان می دهد که مدل درجه دو از دقت بالایی نسبت به سایر مدل ها در تخمین تقاضای بنزین برخوردار است.
۱۹.

پیش بینی قیمت گازوئیل خلیج فارس، مبتنی بر تحلیل تکنیکی و شبکه های عصبی

کلید واژه ها: پیش بینیتحلیل تکنیکیشبکه عصبیGMDHقیمت گازوئیل

حوزه های تخصصی:
تعداد بازدید : ۸۶۱
در این مقاله، از شبکه عصبی GMDH، برای پیش بینی قیمت گازوئیل مبتنی بر قواعد تحلیل تکنیکی، شامل میانگین های متحرک کوتاه مدت و بلندمدت، به عنوان ورودی شبکه، طی دوره های مختلف بازار، استفاده شده است. در این بررسی، هزینه های مبادله و عوامل برون زا لحاظ نشده است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در این جا گازوئیل خلیج فارس) است. نتایج نشان می دهد که بهترین عملکرد پیش بینی در وضعیت باثبات بازار حاصل شده است. هم چنین پیش بینی های شبکه عصبی نسبت به روش سری زمانی، از خطایکم تر و دقت بالاتری برخوردار است.
۲۰.

مدل سازی و پیش بینی قیمت سهام با استفاده از معادلات دیفرانسیل تصادفی

کلید واژه ها: پیش بینیسری زمانیمدلسازیمعادلات دیفرانسیلمدل های ARIMAتصادفیانتگرال ایتو

حوزه های تخصصی:
تعداد بازدید : ۲۰۸۴ تعداد دانلود : ۲۰۴۰
فرایندهای سری زمانی را می توان به سه طبقه خطی، تصادفی و آشوبگونه دسته بندی کرد و براین اساس قابلیت پیش بینی در فرایندهای خطی ممکن، درفرایندهای تصادفی غیرممکن و در فرایندهای آشوبگونه تا حدی ممکن است. تحقیقات و مطالعات انجام شده قبلی در زمینه مدل سازی و پیش بینی قیمت سهام بیشتربر اساس اثبات این فرضیه بوده است که تغییرات قیمت و بازده سهام در بازار بورس و مخصوصا بازار بورس تهران علیرغم شباهت زیادی که به رفتار تصادفی و اتفاقی دارد، اتفاقی نیست بلکه از نوع آشوبگونه است و بنابر این می توان توسط مدل های پیچیده و قوی مانند شبکه های عصبی، فازی و ترکیب های مختلف این دو روش مدل سازی و نیز پیش بینی کوتاه مدت و میان مدت را انجام داد. در این تحقیق، تغییرات قیمت و بازده سهام در بازار بورس تهران با هدف مدل سازی بر اساس معادلات دیفرانسیل تصادفی بر روی مقوله پیش بینی، مورد مطالعه و بررسی قرار گرفته است، با در نظر گرفتن نوسانات قیمت سهام به شکل تصادفی و بر اساس مدل بلاک و شولز، مدل سازی دینامیک فرایند مولد قیمت سهام در بازار بورس تهران را با استفاده از معادلات دیفرانسیل تصادفی پیشنهاد کرده و بر این اساس مدل سازی، شبیه سازی و پیش بینی قیمت و بازده برای یکی از شرکت های عضو بازار بورس تهران انجام می گیرد، برای بررسی کارایی روش پیشنهادی مقایسه ای نیز با روش مدل سازی خطی صورت پذیرفته است.