مطالب مرتبط با کلید واژه " ARIMA "


۱.

پیش‌بینی نرخ ارز با مدل‌های عصبی- فازیِ ANFIS، شبکه عصبی- خودرگرسیونیِ NNARX و خودرگرسیونیِ ARIMA در اقتصاد ایران (87-1381)

کلید واژه ها: نرخ ارزپیش بینیANFISARIMANNARX

حوزه های تخصصی:
تعداد بازدید : ۲۷۴۰ تعداد دانلود : ۱۵۸۸
سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصدد یافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگی های چند بعدی نرخ ارز باعث رفتار پیچیده و غیرخطی آن شده و مدل های غیرخطی از عمل کرد بهتری در پیش بینی آن برخوردار می باشند. لذا، در این مطالعه کارایی مدل های غیرخطی ANFIS و NNARX و مدل خطی ARIMA در پیش بینی برابری نرخ ارز ریال/دلار آمریکا و ریال/یورو برای 2، 4 و 8 روز آتی با استفاده از مهمترین معیارهای ارزیابی کارایی مدل ها و داده های روزانه مربوط به دوره 1/9/1387-1/1/1381 مقایسه شد. نتایج نشان داد که مدل های ANFIS و NNARX در مقایسه با مدل ARIMA و مدل ANFIS در مقایسه با مدل NNARX در همه افق های مورد نظر، از کارایی بیشتری در پیش بینی نرخ ارز ریال/دلار آمریکا و ریال/یورو برخوردار می باشد.
۲.

ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیش بینی قیمت گندم

کلید واژه ها: ارزشیابیخودکفاییالگوهای اقتصادسنجیمعیارهای ارزیابی عملکردARIMAالگوی ساختاریالگوی سری زمانی

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد کشاورزی تحلیل عرضه و تقاضای کل،قیمت ها
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی مدل های با معادلات همزمان مدل های بریده شده
تعداد بازدید : ۱۸۰۳ تعداد دانلود : ۸۴۳
گندم به عنوان یکی از محصولات اساسی کشاورزی سلاحی کارآمد در مناسبات سیاسی و جهانی است که روز به روز بر اهمیت راهبردی آن افزوده می شود. در این نوشتار با توجه به رسالت بسیار سنگین تامین امنیت غذایی و خودکفایی در تولید محصولات اساسی کشاورزی از جمله گندم در سند ملی توسعه بخش کشاورزی در برنامه چهارم و نقش انکار ناپذیر قیمت در این مورد، ضمن تصریح و انتخاب الگوی مناسب، اقدام به پیش بینی قیمت این محصول در دوره 90 -1388 خواهد شد. برای این منظور قدرت پیش بینی انواع الگوهای ساختاری و سری زمانی بر اساس معیارهای متداول، مورد ارزیابی و مقایسه قرار می گیرد. داده های مورد استفاده در این تحقیق شامل قیمتهای سالانه سرمزرعه و تضمینی گندم و برنج و میزان موجودی گندم در پایان سال در دوره87- 1345 است که از گزارشات وزارت جهاد کشاورزی و بانک مرکزی استخراج شده است. نتایج پژوهش موید برتری الگوهای سری زمانی (ریشه واحد و (ARIMA برای پیش بینی قیمت گندم در دوره مورد بررسی است.
۳.

پیش بینی مصرف حامل های انرژی در بخش کشاورزی ایران با الگوهای ARCH و ARIMA

کلید واژه ها: مصرففرآورده های نفتیپیش بینیحامل های انرژیبرقARIMAARCH

حوزه های تخصصی:
تعداد بازدید : ۱۶۹۳ تعداد دانلود : ۷۵۷
انرژی به عنوان یک نهادهی مهم و کلیدی در تولید بخش های مختلف اقتصاد و از جمله بخش کشاورزی به شمار میرود. در سال های اخیر به دنبال بالا رفتن بار مالی یارانه های حامل های انرژی، هدفمندی این یارانه ها مورد توجه قرار گرفته است. با توجه به اثرگذاری سیاست هدفمندی بر روی مصرف انرژی، مطالعهی حاضر به پیش بینی مصرف حامل های انرژی (فرآورده های نفتی و برق) در بخش کشاورزی، با استفاده از الگوهای ARIMA و ARCH پرداخته است. دورهی مورد مطالعه شامل سال های 1384 - 1347 میباشد که داده های 3 سال آخر برای سنجش توان پیش بینی الگوها استفاده شد. نتایج نشان دهندهی حاکی از افزایش اندک مصرف حامل های انرژی در بخش کشاورزی بود. خطای پیش بینی حاصل از فرایند ARIMA، به جزء مصرف فرآورده های نفتی در سایر سری ها کم تر از الگوی ARCH به دست آمد.
۴.

مقایسهی عملکرد شبکه های عصبی و مدلARIMA در مدل سازی و پیش بینی کوتاه مدت قیمت سبد نفت خام اوپک (با تاکید بر انتظارات تطبیقی)

کلید واژه ها: پیش بینیشبکه های عصبیانتظارات تطبیقیARIMAقیمت سبد نفت خام اوپک

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 اوپک،ساختار،سهمیه بندی،قیمت گذاری
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۱۵۰۴ تعداد دانلود : ۷۷۱
امروزه نفت به عنوان یکی از منابع مورد استفادهی بشر، از اهمیت ویژه ای برخوردار است. قیمت نفت به دلیل اهمیت آن در بازارهای بین المللی، رابطهی اساسی با اقتصاد کشورها و موقعیت استراتژیک آن در بین کالاهای اقتصادی، به عنوان یکی از عوامل مؤثر در اقتصاد بین الملل، نقش تعیین کننده ای دارد. شناخت ساختار قیمت این کالا و مدل سازی آن همواره مورد توجه پژوهش های اقتصادی بوده و تلاش هایی نیز برای بررسی علت نوسان و پیش بینی آن انجام گرفته است. در این راستا، شبکه های عصبی مصنوعی از قابلیت بالایی در مدل سازی فرایندهای تصادفی و پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. در این مقاله، با استفاده از شبکه ی عصبی مصنوعی مبتنی بر انتظارات قیمتی برای داده های روزانه، به مدل سازی و پیش بینی روزانهی قیمت سبد نفت خام اوپک پرداخته شده و نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA براساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گرفته است. نتایج تحقیق نشان می دهد که شبکهی عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نفت خام تابعی از قیمت های 5 روز گذشتهی خود می باشد.
۵.

الگوسازی و پیش بینی آثار تغییرات قیمت نفت خام بر GDP کشورهای آمریکا و انگلستان

تعداد بازدید : ۱۰۱۸ تعداد دانلود : ۴۶۱
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.
۶.

پیش بینی میزان صادرات خرمای ایران با استفاده ازروش های اقتصادسنجی و هوش مصنوعی

کلید واژه ها: ایرانپیش بینیGARCHالگوریتم ژنتیکARIMAشبکه ی عصبیصادرات خرما

حوزه های تخصصی:
تعداد بازدید : ۲۹۴ تعداد دانلود : ۱۳۶
در این مطالعه با استفاده از روش های اقتصادسنجی ARMA ، GARCH و روش های هوش محاسباتی، شبکه ی عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره ی 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره ی زمانی 1388-1346 استفاده گردید. از داده های دوره ی 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه ی عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه ی عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیار های عملکرد نشان دهنده ی توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه ی عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.
۷.

The Comparison among ARIMA and hybrid ARIMA-GARCH Models in Forecasting the Exchange Rate of Iran

کلید واژه ها: ARIMAExchange RateForecasting PerformanceGARCH Family ModelsVolatility Modeling

حوزه های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بین الملل مالیه بین الملل بازار ارز
  2. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی مدل سازی اقتصادسنجی ارزیابی مدل
تعداد بازدید : ۵۱۱ تعداد دانلود : ۲۷۳
This paper attempts to compare the forecasting performance of the ARIMA model and hybrid ARMA-GARCH Models by using daily data of the Iran’s exchange rate against the U.S. Dollar (IRR/USD) for the period of 20 March 2014 to 20 June 2015. The period of 20 March 2014 to 19 April 2015 was used to build the model while remaining data were used to do out of sample forecasting and check the forecasting ability of the model. All the data were collected from central bank of Iran. First of all, the stationary of the exchange rate series is examined using unit root test which showed the series as non stationary. To make the exchange rate series stationary, the exchange rates are transformed to exchange rate returns. By using Box-Jenkins method, the appropriate ARIMA model was obtained and for capturing volatilities of returns series, some hybrid models such as: ARIMA-GARCH, ARIMA-IGARCH, ARIMA-GJR and ARIMA-EGARCH have been estimated. The results indicate that in terms of the lowest RMSE, MAE and TIC criteria, the best model is ARIMA((7,2),(12)) –EGARCH(2,1). This model captures the volatility and leverage effect in the exchange rate returns and its forecasting performance is better than others.
۸.

پیش بینی شاخص های تولید چغندرقند در ایران

کلید واژه ها: ایرانپیش بینیشبکه عصبیچغندرقندهارمونیکARMAARIMAARCHتعدیل نمایی

حوزه های تخصصی:
تعداد بازدید : ۳۳۰ تعداد دانلود : ۱۲۱
هدف کلی مطالعه حاضر، پیش بینی شاخص های تولید چغندرقند(سطح زیر کشت، تولید و قیمت) در ایران است. برای این منظور الگوهای خودرگرسیون، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، شبکه عصبی و خودرگرس یون ب ا واری انس ناهمسانی شرطی برآورد و بهترین الگو انتخاب شد. بررسی آزمون تصادفی بودن (دوربین واتسون) سری های سطح زیرکشت، تولید و قیمت چغندرقند مبین غیرتصادفی متغیرها بود. براساس نتایج حاصل از محاسبه معیار کمترین خطای پیش بینی، مناسب ترین الگو برای پیش بینی سری های سطح زیرکشت، تولید و قیمت چغندرقند به ترتیب الگوهای شبکه عصبی، ARMA و ARIMA می باشند. لذا استفاده از روش های مذکور به شرط ثابت بودن شرایط، نتایجی با کمترین خطا به دست خواهد داد. نتایج همچنین نشان داد هر سه شاخص تولید چغندرقند(شامل: سطح زیر کشت، تولید و قیمت) طی دوره 1392 -99 روند افزایشی داشته با این ملاحظه که روند افزایشی سطح زیرکشت و تولید بسیار ملایم تر از روند افزایشی قیمت چغندرقند بوده است. طبقه بندی JEL: Q11,D12,C32,C22
۹.

پیش بینی وضعیت آبدهی زاینده رود با استفاده از سری زمانی مورد شناسی: شرق جلگه اصفهان

کلید واژه ها: پیش بینیمنابع آبسری زمانیARMAزاینده رودARIMAAR

حوزه های تخصصی:
تعداد بازدید : ۴۰۲ تعداد دانلود : ۱۶۵
پیش بینی میزان آب در دسترس، یکی از مؤلّفه های مهم و تأثیرگذار در برنامه ریزی و مدیریت منابع آب بوده و برآورد آن در مقیاس های زمانی مختلف، از اهمیت ویژه ای در برنامه ریزی کشاورزی برخوردار است. یکی از روش های مطالعاتی پیش بینی، روش سری های زمانی است؛ برای این منظور، و مدل های مختلفی ارائه شده اند که از آن جمله می توان مدل های سری زمانیARIMA، MA و AR را برشمرد. در این تحقیق، عملکرد هریک از مدل های یاد شده در برآورد و تخمین مقادیرآتی میزان آب زاینده رود طی سال های1385 تا 1391 به صورت 72 سری داده ماهانه مورد بررسی قرار گرفت. نتایج نشان داد که مدل سری زمانی AR12عملکرد بهتری نسبت به سایر مدل ها دارد و روند تغییرات سری زمانی را با خطای کمتری شبیه سازی می کند.
۱۰.

مدل سازی و پیش بینی رشد اقتصادی ایران با استفاده از مدل های ARIMA، مارکف سوئیچینگ و ANFIS

کلید واژه ها: رشد اقتصادیANFISARIMAمارکف سوئیچینگ

حوزه های تخصصی:
تعداد بازدید : ۲۸۳ تعداد دانلود : ۱۴۴
یکی از مسائل مهم در اقتصاد پیش بینی رشد اقتصادی می باشد. پیش بینی صحیح رشد اقتصادی، اثر مهمی در سیاست گذاری و برنامه ریزی های اقتصادی دولت دارد و می تواند علاوه بر ایجاد زمینه توسعه روش های جدید پیش بینی، سیاست گذاران را در تصمیم گیری آتی یاری رساند. پیش بینی بر اساس مدل های چند متغیری اقتصادسنجی با محدودیت های زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدل های تک متغیری است. اما اکثر روش های تک متغیری برای حصول به نتیجه خوب نیاز به داده های زیادی دارند. از این رو در این مطالعه کارایی مدل میانگین متحرک خودرگرسیون تجمعیARIMA) ) با روش های مارکف سوئیچینگ و شبکه عصبی فازی (ANFIS) در پیش بینی رشد اقتصادی ایران مقایسه می شود. برای تخمین مدل از داده های دوره 1338 تا 1384 استفاده شده است. سپس کارایی این مدل ها در پیش بینی رشد اقتصادی ایران برای دوره 1385 تا 1392 با استفاده از معیارهای RMSE، MAE و MAPE ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش ANFIS است. همچنین مدل مارکف سوئیچینگ عملکرد بهتری نسبت به مدل ARIMA دارد.
۱۱.

مقایسه روش های کمی وکیفی درپیش بینی قیمت گندم(مطالعه موردی در ایران)

کلید واژه ها: شبکه عصبی مصنوعیGARCHARIMAپیش بینی قیمتARCHمدل دلفی

حوزه های تخصصی:
تعداد بازدید : ۲۳۹ تعداد دانلود : ۱۳۵
پیش بینی رفتار متغیرهای اقتصادی یکی از الزامات برنامه ریزی برای آینده است. در بین محصولاتی که مبادرت به پیش بینی قیمت آن ها می شود، پیش بینی قیمت گندم به لحاظ استراتژیک بودن آن برای کشورمان دارای اهمیتی ویژه است. تاکنون مطالعاتی که در حوزه پیش بینی قیمت گندم انجام گرفته است، مطالعاتی بوده اند که با استفاده از الگوهای کمی انجام گرفته و از روش های کیفی استفاده نشده است. در این پژوهش از هر دو گروه روش های کمی و کیفی استفاده شد است. در این پژوهش از داده ها، در طی دوره 1393-1355 استفاده شده است. نتایج این مطالعه نشان دهنده آن است که معیار RMSE برای مدل های کمیEGARCH, ARMA و ANN به ترتیب برابر 68/37625، 91/39373 و 073/24258 می باشد و معیار MAPE برای مدل های یاد شده به ترتیب برابر 21/27866، 55/23034 و 89/18712 می باشد. از سوی دیگر، میانگین درصد تفاوت بین پیش بینی به روش ANN و روش دلفی 08/0 است. این مطالعه بیانگر این است که الگوی شبکه عصبی مصنوعی در مقایسه با روش های دیگر دارای خطای پیش بینی کم تری است و در پیش بینی قیمت آینده در مقایسه با روش کیفی (مدل دلفی) دارای تفاوتی اندک است که بیانگر اهمیت استفاده از روش های کیفی در کنار روش های کمی برای پیش بینی متغیرهای اقتصادی میباشد.
۱۲.

پیش بینی تراز داخلی گاز طبیعی: با استفاده از مدل ترکیبی ARDL و میانگین متحرک خودهمبسته یکپارچه (ARIMA)

تعداد بازدید : ۶۵ تعداد دانلود : ۲۶
هدف از این مطالعه بکارگیری یک مدل ترکیبی جهت تخمین تراز سرانه گازطبیعی کل کشور و همچنین پیش بینی آن برای دوره 1396 - 1415 می باشد. در این مطالعه با استفاده از مدل پویای خودتوضیح با وقفه های توزیعی (ARDL)، کشش های بلندمدت و کوتاه مدت عرضه و تقاضای سرانه گاز طبیعی کل کشور برای دوره 1360-1395 برآورد شده است. سپس با قرار دادن مقادیر پیش بینی شده هر یک از متغیرهای مورد نظر که از مدل ARIMA بدست آمده در مدل ترکیبی ARDL، مقدار تراز سرانه گاز طبیعی تا سال 1415 پیش بینی گردیده است. نتایج پیش بینی بیانگر این است که مقدار تقاضای سرانه گاز طبیعی تا سال 1415 به میزان 36/4177 میلیون مترمکعب خواهد رسید، همچنین در همین سال مقدار عرضه سرانه گاز طبیعی برابر با میزان 26/3417 میلیون مترمکعب خواهد بود. جهت پاسخگویی به این میزان مازاد تقاضا باید سیاست هایی در جهت افزایش تولید یا محدودیت تقاضا اتخاذ گردد.
۱۳.

مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشکسالی با استفاده از داده های سری زمانی سنجش از دوری - مطالعه موردی: شهر اراک

تعداد بازدید : ۱۳ تعداد دانلود : ۱۱
خشکسالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحت تأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تأثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی ( ARIMA ) و مدل شبکه عصبی برای مدل سازی خشکسالی براساس داده های سنجش از دوری مورد استفاده قرار گرفته است . به همین منظور، شاخص بارش استانداردسازی شده ( SPI ) با استفاده از داده های هواشناسی به عنوان میزان شدت خشکسالی مورد استفاده قرار گرفت . تعدادی از ویژگی ها شامل شاخص اختلاف نرمال شده پوشش گیاهی ( NDVI ) ، شاخص وضعیت پوشش گیاهی ( VCI ) و شاخص پوشش گیاهی - دمایی ( TVX ) که از تصاویر MODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSE و MAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI ، TVX و VCI و شاخص هواشناسی SPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص های TVX و NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین از شاخص های TVX ، NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود .