ARMA

این مقاله به امکان سنجی وجود آشوب در ساختار سیستم مولد قیمت نفت خام شاخصWTI طی دوره 4 آوریل 1983 تا 13 ژانویه 2003 می پردازد. به این منظور از تخمین نمای لیاپانوف و بعد همبستگی به عنوان آزمون های مستقیم آشوب و آزمون های BDS و شبکه عصبی جهت بررسی غیر خطی بودن ساختار سیستم استفاده شده است. نتایج تخمین نمای لیاپانوف و بعد همبستگی، وجود آشوب در سری زمانی را تایید کرده و تخمین آماره BDS و شبکه عصبی، بر غیرخطی بودن سیستم مولد قیمت روزانه نفت اشاره داشتند. در بخش پایانی یک مدل شبکه عصبی مصنوعی برای پیش بینی قیمت های آتی نفت خام طراحی و با نتایج پیش بینی مدل خطی ARMA و غیر خطی GARCH مقایسه شد. نتایج حاصل نشان داد مدل شبکه عصبی مورد استفاده نسبت به دو مدل ARMA و GARCH از قدرت پیش بینی بهتری برخوردار است.

پیش بینی تقاضای آب شهری کمک موثری است به مدیران و بهره برداران سیستم های آب شهری میباشد تا بتوانند نسبت به مدیریت صحیح مصرف اقدام نمایند. در این راستا پیشبینی دقیق تقاضا از این نیاز حیاتی در دورههای زمانی مختلف حایز اهمیت میباشد. در این پژوهش با طراحی یک روش جدید که تلفیقی از مدلهای خطی و غیرخطی است، به بررسی روند تقاضای روزانه آب شهر تهران و عوامل موثر بر تقاضای روزانه این حامل پرداخته شد. دراین تحقیق، تقاضای روزانه آب شهری براساس مدلهای ARMA، شبکه عصبی مصنوعی و مدل تلفیقی برای 10 روز آینده به صورت ""گام به گام""پیشبینی گردید. در طراحی شبکه عصبی مصنوعی و مدل تلفیقی، عوامل موثر بر تقاضای روزانه آب شهری، دمای هوا (حداقل، حداکثر و متوسط)، روزهای هفته، ایام تعطیلات و روزهای خاص در نظر گرفته شد. نتایج حاصل از به کارگیری معیارهای ارزیابی دقت پیشبینی نشان میدهد مدل تلفیقی نسبت به بقیه الگوها دارای خطای کم و دقت بالایی در پیشبینی تقاضای روزانه آب شهری است. پساز مدل تلفیقی، شبکه عصبی مصنوعی و فرآیند ARMA به ترتیب در اولویتهای بعدی قرار گرفتند.

هدف تحقیق مدل سازی و پیش بینی تقاضای نفت در ایران با استفاده از روش، شبکه عصبی مصنوعی (ANN)، می باشد. در مقاله تلاش شده تا یافته های تحقیق با استفاده از مدل مذکور با مدل ARMAX مقایسه گردد تا میزان دقت پیش بینی شبکه عصبی مورد ارزیابی علمی قرار گیرد. نتیجه مطالعه نشان می دهد که مدل شبکه عصبی مصنوعی از دقت بیشتری در پیش بینی تقاضای نفت خام ایران برخوردار است. همچنین در این مقاله متغیرهای تعیین کننده تقاضای نفت خام در کشورهای منتخب عضو اوپک مورد مقایسه قرار گرفت تا مشخص گردد که آیا عوامل تعیین کننده تقاضای نفت خام ایران در سایرکشورها نیز مشابه است؟ برای این کار از ضریب همبستگی رتبه ای اسپیرمن استفاده شده است، نتایج حاصل نشان می دهد مقدار این ضریب برای کشور های منتخب نسبت به ایران نزدیک به یک است که بر آن دلالت می کند که، متغیرهای استفاده شده در این تحقیق در سایر کشورهای مشابه نتایج یکسانی بدست داده است. در نتیجه می توان آنها را برای پیش بینی مقدار تقاضای نفت خام متغیرهای کلیدی در نظر گرفت.

توجه به ثبات نسبی و پیش بینی قیمت، می تواند نقش مهمی در کنترل ناپایداری قیمت ها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیش بینی، مهم ترین بخش مقایسه ی روش های مختلف است. در این پژوهش با مقایسه ی قدرت پیش بینی دو روشARMA و شبکه ی عصبی مصنوعی و با انتخاب روش بهتر، قیمت های هفتگی خرده فروشی و عمده فروشی ماهی قزل آلا پیش بینی می شود. در این مطالعه از شبکه ی پیش خور که از نوع شبکه های پس انتشار (Back Propagation) است، استفاده می شود. داده های مورد استفاده در مطالعه شامل قیمت های هفته ی اول فروردین 1388 تا هفته ی آخر شهریور 1390 می باشد. قبل از استفاده از روش های پیش بینی تصادفی یا غیرتصادفی بودن داده ها مورد بررسی قرار گرفت. بر اساس آزمون های تصادفی بودن والد-ولفویتز، والیس-مور و دوربین-واتسون هر دو سری قیمت غیرتصادفی و قابل پیش بینی هستند. بر اساس آزمون ایستایی داده ها (دیکی-فولر تعمیم یافته) سری ها در سطح ایستا می باشند. نتایج پیش بینی نشان می دهد که مدل ARMA در مقایسه با مدل شبکه عصبی مصنوعی، بر اساس چهار معیار ارزیابی دقت پیش بینی، میزان خطای کمتری دارد در نتیجه قدرت بالاتری در پیش بینی قیمت ماهی قزل آلا دارد. در مدل شبکه عصبی 80% داده ها برای آموزش شبکه و 20% برای داده های آزمایشی در نظر گرفته شد. نتایج آزمون برابری دقت دو روش (MGN) نشان می دهد مدل ARMA در پیش بینی قیمت خرده فروشی و قیمت عمده فروشی نیز به طور معنی داری بهتر از مدل شبکه عصبی است.

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

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.

هدف اصلی مقاله حاضر، استفاده از مدل های احتمال اتورگرسیو میانگین متحرک(ARMA) به منظور مدل سازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS می باشد. موقعیت های روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. براساس سری زمانی موقعیت روزانه و استفاده از روش کمترین مربعات وزن دار، پارامترهای ژئودتیکی مانند: ترند خطی، نوسانات سالیانه و نیم سالیانه و نیز آفست ها به طور همزمان برای ایستگاه دائمی LLAS برآورد شده اند. در این مطالعه، توابع خود همبستگی(ACF) و خودهمبستگی جزئی(PACF)،به عنوان ابزارهای مطالعاتی برای شناسایی رفتار سری زمانی موقعیت روزانه ایستگاه دائمی GPS مورد استفاده قرار می گیرند و امکان بررسی وابستگی داده های روزانه سری زمانی موقعیت را فراهم می نمایند. با توجه به اینکه ممکن است چند مدل احتمالاتی متفاوت برای یک سری زمانی موقعیت روزانه مناسب باشند، لذا محک اطلاعات آکاییک در مرحله شناسایی و انتخاب مدل مفید، مورد استفاده قرار گرفته است.در این مطالعه، نتایج عددی نشان می دهند که بهترین مدل احتمالاتی اتورگرسیو میانگین متحرک برای ایستگاه دائمی LLAS از مرتبه (1,1) برای جهت N می باشد. همچنین مدل احتمالاتی (ARMA(2,1 برای جهت E مناسب ترین مدل میباشد در حالی که برای جهت U مدل احتمالاتی (ARMA(1,2 بهترین مدل است. بعد از برآورد یک مدل احتمالاتی مناسب برای سری زمانی موقعیت روزانه ایستگاه دائمی GPS، می توان آن سری زمانی موقعیت را همراه با ترند و مؤلفه های فصلی پیش بینی کرد.

آب به عنوان یکی از مهم ترین منابع تأمین نیاز بشر در زندگی روزمره نقش حیاتی ایفا می کند. لذا آگاهی از میزان تقاضای مورد نیاز آب جهت اعمال سیاست گذاری های لازم در راستای مدیریت تقاضا، از اهمیت ویژه ای برخوردار می باشد. در این مقاله، تقاضای روزانه آب شهر تهران برای یک دوره هفت ساله با استفاده از روش های غیرخطی شبکه عصبی مصنوعی و فرایند خطی ARMA مدل سازی گردید و در ادامه تقاضای روزانه آب شهری برای ده روز آینده پیش بینی گردید. در طراحی شبکه عصبی مصنوعی، عوامل مؤثر بر تقاضای روزانه آب شهری، دمای هوا(حداقل، حداکثر و متوسط)، روزهای هفته، ایام تعطیلات و روزهای خاص در نظر گرفته شد. نتایج حاصل از بکارگیری معیارهای ارزیابی دقت پیش بینی، نشان می دهد که شبکه عصبی مصنوعی در پیش بینی تقاضای روزانه آب شهر تهران نسبت به مدل ARMA از قدرت بالاتری برخوردار می باشد.

در تحقیق حاضر ابتدا منحنی فیلیپس کینزین جدید هایبریدی با استفاده از داده های فصلی، طی دوره زمانی1q1375تا 4q1389 بر اساس روش گشتاورهای تعمیم یافته (GMM)برآورد شده است، سپس با استفاده از معیار آکائیک یک مدل مناسب ARIMA  تصریح گردید. در پایان هم، تورم با استفاده از هر دو مدل، در دو افق چهار دوره ای و هشت دوره ای پیش بینی گردید و ریشه میانگین مربع خطای دو مدل مقایسه شد. نتایج حاصل از تخمین منحنی فیلیپس کینزین جدید هایبریدی نشان می دهد که قیمت های گذشته تاثیر بیشتری نسبت به قیمت های آینده بر تورم داشته اند و ضریب شکاف محصول هم معنی دار و مثبت بوده که نشان می دهد با افزایش شکاف محصول از سطح بالقوه خود، تورم 41 درصد افزایش می یابد، به عبارت دیگر سیاست های انبساطی به منظور افزایش محصول منجر به تورم خواهد شد. سپس بعد از تصریح یک مدل (4و4) ARMAو پیش بینی تورم، نتایج نشان می دهد که در هر دو افق پیش بینی، منحنی فیلیپس کینزین جدید، ریشه میانگین مربع خطای(RMSE) کمتری نسبت به مدل ARMA داشته است و بهتر توانسته تورم را پیش بینی کند   Abstract Hybrid New Keynesian Phillips curve in the present study, using quarterly data over the period to 4q1389 1q1375 based on GMM is estimated, using the criteria stipulated Kayyk an ARIMA model was In the end, inflation, using both models, in both four and eight-period horizon, and the root mean square error of prediction models were compared HNKPC estimation results indicate that past prices influence future prices more than the rate of inflation and the output gap was positive and significant. Shows that increasing the level of potential output gap, inflation increased by 41%, ie expansionary policies to enhance product will lead to inflation. Then specify a model ARMA (4,4) and inflation forecasts, the results show that both forecast horizons, new Keynesian Phillips curve, the root mean square error (RMSE) is less than the ARMA model and better able to predict inflation.

ازجمله عوامل بروز بحران های مالی، شکل گیری حباب های قیمتی است. در ادبیات اقتصادی، انحراف قیمت سهام از قیمت تعادلی بلندمدت خود تحت عنوان حباب معرفی شده که باعث بروز بی ثباتی در بازارهای مالی و در برخی مواقع نیز به سقوط بازار سهام و ایجاد رکود اقتصادی منجر می گردد. هدف مقاله حاضر بررسی فرایند شکل گیری حباب قیمتی در بازارهای مالی متعارف و اثبات این مدعاست که در بازار مالی اسلامی زمینه های کمتری برای شکل گیری حباب های قیمتی وجود دارد. بدین منظور پس از اثبات نظری، با استفاده از روش آزمون سوپریمم عمومی دیکی فولر تعدیل یافته و ARMA و تخمین تابع مخاطره بر اساس رگرسیون لاجستیک به بررسی حباب در بازار مالی متعارف و اسلامی اندونزی پرداخته می شود. نتایج نشان می دهد که علی رغم بروز حباب قیمتی در بازارهای مالی متعارف و اسلامی، میانگین و انحراف معیار حباب قیمت در بازار اسلامی به مراتب کمتر از بازار مالی متعارف است.