روش ARIMA

نفت به‎عنوان بزرگ‎ترین منبع تامین انرژی در جهان و به‎دلیل نقش آن در اقتصاد کشورهای تولید کننده، حائز اهمیت بسیار است. لذا شناخت پارامترهای مختلف تاثیر‎گذار بر بازار نفت برای این کشورها، ضروری به نظر می رسد. در این راستا، این تحقیق به پیش بینی قیمت به‎عنوان یک متغیر مهم از بازار جهانی نفت، با استفاده از روش شبکه های عصبی مصنوعی و نیز روش اقتصادسنجی ARIMA می پردازد. لازم به ذکر است که این پیش‎بینی‎ها به‎صورت پویا انجام شده اند. از یک سو نتایج پیش بینی های یک گام به جلو تا ده گام به جلو با استفاده از روش شبکه های عصبی در مقایسه با روش ARIMA، حاکی از خطای کم‎تر روش شبکه های عصبی است و از سوی دیگر نتایج پیش بینی های شبکه‎های عصبی نشان می دهد که با اضافه کردن ذخیره سازی های کشورهای OECD به‎عنوان یک ورودی دیگر در مدل و انجام یک پیش بینی دو متغیره (برای اولین بار در ایران)، خطای پیش بینی های قیمت نفت کاهش می‎یابد.

بیمه عمر به عنوان یکی از محصولات صنعت بیمه، نقش مهمی در تعیین و تضمین آتیه خانواده ها دارد. طبیعی است که در چنین شرایطی پیش بینی حق بیمه عمر می تواند برنامه ریزان و سیاست گذاران را در دست یابی به اهداف و برنامه ها یاری کند. در این پژوهش جهت پیش بینی حق بیمه دریافتی در بیمه عمر از روش شبکه های عصبی و از روش باکس - جینکینز استفاده شده است. نتایج حاصل از پیش بینی درون نمونه ای برای سال های 1387-1383 نشان داد که باتوجه به معیار RMSE، بهترین مدل برای پیش بینی حق بیمه عمر، مدل شبکه های عصبی است. بعد از آن به پیش بینی برون نمونه ای برای سال های 1393-1388 از حق بیمه عمر دریافتی با استفاده از دو روش باکس جینکنز و شبکه های عصبی پرداخته شده است.

یکی از مسائل مهم هنگام بودجه ریزی، دسترسی به درآمدهای قابل تحقق است که این موضوع مستلزم پیش بینی های دقیق از انواع درآمدها در آینده می باشد. یکی از منابع درآمدی پر اهمیت دولت مالیات بوده که در این مقاله، پیش بینی مالیات بر ارزش افزوده ناشی از مصرف بنزین مدنظر قرار گرفته است. هدف اصلی، دستیابی به روشی کارا جهت پیش بینی مصرف بنزین و مالیات بر ارزش افزوده ناشی از آن در ایران می باشد. در این مقاله، برای پیش بینی مصرف بنزین، از یک الگوی ترکیبی روش شبکه عصبی چندلایه (MLP) با الگوی خودتوضیح میانگین متحرک انباشته (ARIMA) استفاده شده است. سپس با تأیید عملکرد مناسب این روش در مقایسه با روش ARIMA، از طریق اعمال نرخ های مالیات بر مصرف پیش بینی شده بنزین، مالیات بر ارزش افزوده ناشی از مصرف بنزین در کشور به دست آمده است. نتایج نشان می دهد که طی سال های 1392 الی 1395، مالیات بر ارزش افزوده از این محل، به طور متوسط در حدود 6/31 درصد رشد خواهد داشت.

پیش بینی سود هر سهم و تغییرات آن، یک رویداد اقتصادی است که از دیرباز مورد علاقه سرمایه گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. در این پژوهش از شبکه عصبی GMDH که ابزاری با قابلیت بالا در مسیریابی و تشخیص روندهای غیرخطی پیچیده با تعداد مشاهدات محدود است، برای الگوسازی و پیش بینی سود هر سهم از شرکت های پذیرفته شده در بورس اوراق بهادار تهران استفاده شده است. ابتدا الگویی شامل هشت نسبت مالی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع هشت مدل اجرا شد. نتایج نشان داد، الگوهای حاصل از کنار گذاشتن بازده دارایی ها، نسبت جاری و بازده سرمایه از الگوی بنیادی، به ترتیب بیشترین تأثیر را در کاهش خطای پیش بینی سود هر سهم دارند. همچنین گردش موجودی کالا و دوره وصول مطالبات، دارای اثر مضاعف در کاهش خطا هستند. درنهایت برتری شبکه عصبی GMDH در دقت پیش بینی سود هر سهم نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تأیید قرار گرفت.