پیش بینی سری زمانی

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.

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.

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.

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.

هدف: یکی از شیوه های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه های متناظر آن است. با این حال، در برخی پژوهش ها به سنجش کارایی یک واحد در مقایسه با خود در مرور زمان پرداخته شده و روند عملکرد یک واحد نسبت به گذشته خود ارزیابی شده است. هدف پژوهش جاری، پیش بینی کارایی یک واحد با استفاده از سری های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده از روش تحلیل پوششی داده ها به مقایسه و سنجش کارایی یک واحد در گام های زمانی مختلف پرداخته و خروجی آن را به عنوان عناصر آموزش یک شبکه عصبی مصنوعی در نظر گرفته است تا کارایی گام های زمانی بعدی پیش بینی شود. یافته ها: مورد مطالعه این پژوهش، یک واحد صنعتی بزرگ در صنعت فولاد کشور است که پس از سنجش کارایی، روند نزولی عملکرد آن طی ده سال ارائه شده است. با پیاده سازی ساختارهای مختلف از شبکه های عصبی مصنوعی، در نهایت یک شبکه عصبی بازگشتی با 10 نرون در لایه پنهان با الگوریتم آموزش پس انتشار بیزی توانست بهترین عملکرد را در پیش بینی کارایی آتی این واحد صنعتی کسب کند. نتیجه گیری: مزیت اساسی این پژوهش، ارائه پیش بینی کارایی برای آینده سازمان بر اساس داده های موجود و با در نظر گرفتن تأثیر عوامل دوره های زمانی قبلی در کارایی دوره کنونی با رویکردی غیرخطی است. این موضوع موجب خواهد شد که تصویر روشن تری از عملکرد آتی سازمان فراهم آید، همان طور که در مورد مطالعه پژوهش حاضر، این موضوع رخ داده است.

برای پیش بینی سری زمانی ابتدا باید مدل مناسبی از آن ساخته شود. تعیین ابعاد و تخمین پارامترهای مناسب برای مدل ARMA سری زمانی، چالشی است که علاوه بر روش های متداول آماری، از طریق محاسبات هوشمند نیز به آن توجه شده است. در این مقاله استفاده از الگوریتم ژنتیک برای تخمین پارامترهای مدل ARMA و قواعد کشفی برای تعیین ابعاد مدل ارائه می شود. قواعد کشفی بر اساس ویژگی های سری زمانی استخراج می شوند. داده ها به روش پنجره لغزان در پیش بینی به کار می روند. مدل بر اساس معیار اطلاعاتی بیزین و پیش بینی بر اساس دو معیار مجذور متوسط مربعات خطا و متوسط قدر مطلق درصد خطا ارزیابی می شود. روش ارائه شده روی هشت سری زمانی با ویژگی های مختلف به کار رفته و نتایج آن با نتایج روش آماری مقایسه شده است. نتایج نشان می دهد در تمام موارد، روش ارائه شده همسان یا بهتر از روش کلاسیک عمل می کند.

هدف: امروزه، پیش بینی قیمت در بازارهای مختلف، به بخش حیاتی و جدایی ناپذیری از بازار دارایی ها تبدیل شده است. دانستن اینکه قیمت محتمل یک دارایی همچون مسکن، در آینده به چه میزان است، برای سرمایه گذاران ارزش اطلاعاتی بسیار زیادی دارد. این در حالی است که با توجه به مواجه شدن اقتصاد مسکن با شوک های قیمتی و نوسان های شدید بازارهای موازی، پیش بینی زمان صحیح برای سرمایه گذاری در مسکن، به دغدغه ای برای ذی نفعان این بخش تبدیل شده است. بررسی روند تحولات قیمت مسکن در ایران، از این حکایت دارد که هم راستا با سطح قیمت ها و شاخص های کلان دیگر، قیمت مسکن نیز روند مشابهی را طی می کند؛ اما تغییرات قیمت مسکن در مقایسه با تغییرات سایر شاخص های خُرد و کلان اقتصادی متفاوت است. این موضوع آنجا پیچیده تر می شود که در تحلیل شاخص قیمت مسکن با داده های مختلف کمّی و کیفی و همچنین داده های تصادفی، پراکنده و غیرساخت یافته مواجهیم که پیاده سازی مدل های ریاضی را برای آن ها بسیار سخت می سازد. هدف مقاله طراحی یک مدل هوش مصنوعی با بیشترین انعطاف پذیری نسبت به تنوع داده های ورودی و کمترین میزان خطا در بخش خروجی است. همچنین، پیاده سازی مدل با داده های واقعی نیز، هدف ضمنی دیگر پژوهش است تا کارایی مدل در شرایط واقعی بازار بررسی شود.روش: مدل های هوش مصنوعی این قابلیت را دارند که گستره وسیعی از داده ها را دریافت کنند و برای رسیدن به خروجی مشخص، هم زمان آن ها را پردازش کنند. در موضوعات مالی، این ویژگی ها باعث می شود که اثربخشی و دقت مدل افزایش یابد. الگوریتم طراحی شده در این پژوهش، بر پایه شبکه های عصبی بازگشتی است و الگوریتم LSTM با توجه به قابلیت حفظ اطلاعات گذشته، در پیش بینی سری های زمانی استفاده شده است. در هر دو دسته از سری های زمانی تک متغیره و چندمتغیره، از معماری stacked-LSTM استفاده شده استیافته ها: در این کار پژوهشی با استفاده از مجموعه داده های مراجع رسمی، همچون بانک مرکزی ایران و مرکز آمار ایران، متغیرهای تأثیرگذار در قیمت مسکن، در قالب یک ماتریس هم بستگی تحلیل شده است و پس از انتخاب متغیرهایی که روی قیمت مسکن بیشترین اثرگذاری دارند، میانگین قیمت مسکن تهران پیش بینی شده است. یافته های این پژوهش نشان می دهد که قیمت طلا، قیمت ارز، شاخص بهای کالا و خدمات و همچنین حجم نقدینگی، بیشترین هم بستگی را با قیمت مسکن داشته اند. با استفاده از داده های این شاخص های اقتصادی، پیش بینی هایی با دقت های بسیار زیاد به دست آمد.نتیجه گیری: در بین چهار مدل ساخته شده در این پژوهش، بهترین پیش بینی، به مدل stacked-LSTM چندمتغیره با متغیرهای کلان اقتصادی، با بیشترین هم بستگی با قیمت مسکن تعلق یافت. اعتبارسنجی مدل ها با میانگین درصد قدرمطلق خطا محاسبه و برآورد شده است. وجه مشترک نتایج به دست آمده در همه مدل ها، نمایش قابلیت و کارایی مطلوب الگوریتم LSTM است که برای داده های بیش از دو دهه بازار مسکن تهران، به منظور تخمین قیمت های آتی استفاده شده است.