تحلیل بنیادین

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.

این پژوهش با هدف بررسی پیش بینی پذیری قیمت سرب و به دنبال آن معرفی یک الگوی مناسب جهت پیش بینی قیمت سرب در بازار جهانی و نیز بررسی کارایی این بازار در سطح ضعیف صورت گرفته است. به این منظور مجموعه ای از روشهای خطی و غیرخطی در دو رویکرد کلی تکنیکال و بنیادین استفاده شده است. در رویکرد بنیادین ابتدا متغیرهای اقتصادی تأثیرگذار بر قیمت سرب شناسایی شده و از روش رگرسیون گام به گام و روش های غیرخطی از جمله شبکه های عصبی GMDH و MLP برای پیش بینی تغییرات قیمت استفاده شده است. در رویکرد تکنیکال از روش خطی ARIMA و روش های غیرخطی از جمله روش ترکیبی GMDH و الگوریتم ژنتیک، روش ترکیبی MLP و الگوریتم ژنتیک استفاده شده است. داده های مورد استفاده در این پژوهش به صورت هفتگی و شامل بازه ی زمانی هفته اول 2005 الی هفته آخر 2015 بوده و از سایت های مختلف از جمله سایت LME، USGS و ILZSG جمع آوری شده است. یافته های این پژوهش نشان می دهد که در رویکرد تکنیکال، مدل شبکه عصبی مصنوعی GMDH ترکیب شده با الگوریتم ژنتیک بر اساس معیارهای میانگین درصد خطای مطلق (MAPE) و جذر میانگین مجذور خطا (RMSE) دارای عملکرد بهتری نسبت به مدل های دیگر بوده و در رویکرد بنیادین براساس معیارهای خطای پیش بینی، شبکه عصبی مصنوعی GMDH بهترین عملکرد را داشته است. پیش بینی پذیری تغییرات قیمت سرب در بازار با الگوهای تکنیکال، موید عدم کارایی بازار در سطح ضعیف می باشد.