مطالب مرتبط با کلید واژه

پیش بینی سری زمانی


۱.

رهیافت الگوسازی تلفیقی برای پیش بینی قیمت محصولات کشاورزی

تعداد بازدید : ۷۸۳ تعداد دانلود : ۳۶۳
یکی از پرکاربردترین الگوهای پیش بینی سری زمانی طی سه دهه اخیر، الگوی خود توضیح جمعی میانگین متحرک (ARIMA) می باشد. مطالعات اخیر در زمینه پیش بینی با شبکه عصبی مصنوعی موید برتری این روش بر الگوهای خطی سنتی است. این در حالی است که هیچ یک از این روش ها از کفایت لازم در پیش بینی سری های زمانی برخوردار نمی باشند. زیرا الگوی ARIMA توانایی شناخت روابط غیرخطی را نداشته و ANN به تنهایی قادر به شناسایی و بررسی هم زمان هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهایARIMA و ANN و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می شود. در مطالعه حاضر، الگوی تلفیقی ARIMA و ANN طراحی و دقت پیش بینی آن با الگوهای رقیب مقایسه شده است. دقت پیش بینی الگوها با استفاده از معیارهای معمول نظیر MSE، RMSE و MAE و همچنین معنی داری اختلاف میان معیارهای فوق با استفاده از آماره گرنجر و نیوبولد بررسی و آزمون شد. نتایج پیش بینی های قیمت گندم حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد.
۲.

پیش بینی خسارت رشته بدنه اتومبیل با به کارگیری روش های سری زمانی (مورد مطالعه: شرکت بیمه پارسیان)

تعداد بازدید : ۶۷۵ تعداد دانلود : ۳۳۳
بیمه اتومبیل در بازار بیمه ایران بالاترین حجم صدور و خسارت را دارد. بنابراین نیاز به تصمیم گیری های مالی و پیش بینی رفتار این بازار برای بیمه گران امری ضروری است. سری زمانی از روش های توانمند آماری است که با استفاده از روش های مبتنی بر فرآیندهای تصادفی به مدل سازی و پیش بینی رفتار متغیرهایی می پردازد که به گونه ای به زمان وابسته اند. مقاله حاضر میزان خسارت وارد شده در رشته بیمه بدنه اتومبیل (شرکت بیمه پارسیان از فروردین ماه سال 1385 الی تیرماه 1389) را به صورت یک متغیر زمانی درنظرگرفته است، سپس با استفاده از دو مدل سری زمانی باکس-جنکینز و وینترز به مدل بندی رفتار این متغیر زمانی می پردازد. باتوجه به اینکه مشاهدات، روند فصلی دارند از مدل های آریمای فصلی ضربی باکس و جنکینز و وینترز فصلی ضربی استفاده شد. ابزار شاخص خطای MAPE نشان می دهد مدل وینترز فصلی ضربی برازش دقیق تر به داده ها ارائه می کند. درنهایت با استفاده از مدل منتخب، میزان خسارت برای یک دوره شش ماهه پیش بینی می شود.
۳.

مقایسه قدرت پیش بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت های جهانی گندم، ذرت و شکر)

کلید واژه ها: شبکه عصبی مصنوعی الگوی تلفیقی الگوی خطی پیش بینی سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۵۰۰ تعداد دانلود : ۲۲۸
پیش بینی دقیق قیمت های محصولات کشاورزی وارداتی می تواند ضمن کمک به برنامه ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر کاربرد ترین الگوهای پیش بینی سری زمانی طی سه دهه ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می باشند. مطالعات اخیر در زمینه ی پیش بینی با شبکه عصبی مصنوعی نشان می دهد که شبکه ی عصبی مصنوعی می تواند دقت پیش بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می گردد. در مطالعه ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه ی دقت پیش بینی علاوه بر معیارهای مقایسه متداول نظیر RMSE، MAE، MAPE و Theil C با معرفی آماره گرنجر و نیوبولد معنی داری تفاوت دقت پیش بینی ها نیز بررسی شده است. نتایج پیش بینی قیمت های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد. بر این اساس، به کارگیری الگوهای تلفیقی در پیش بینی قیمت محصولات کشاورزی(به ویژه محصولات استراتژیک) توصیه می شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به عمل آید.
۴.

کاربرد روش پنجره لغزان برای انتخاب ساختار شبکه عصبی با تاخیر زمانی در پیش بینی سری های زمانی مالی

کلید واژه ها: پیش بینی سری زمانی شبکه عصبی با تاخیر زمانی پنجره لغزان معیار خطا پیش بینی

حوزه های تخصصی:
تعداد بازدید : ۸۸۶ تعداد دانلود : ۳۶۳
شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش بینی کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش بینی کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می دهد با روش پیشنهادی، می توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می یابد.