پیش بینی نرخ ارز

در این مقاله استفاده از مدل های شبکه‎عصبی مصنوعی(ANN) و برخی الگوهای متداول در زمینه پیش بینی نرخ ارز، مورد آزمون و تحلیل قرار گرفته بدین صورت که، عملکرد پنج الگوی رگرسیون خطی در مقایسه با شبکه های عصبی مصنوعی، برای پیش بینی نرخ ارز اسمی (ریال ایران به دلار ایالات متحده آمریکا) مورد بررسی قرار می گیرد. الگوهای رگرسیون خطی عبارتند از روش باکس- جنکینز (الگوی میانگین متحرک انباشته خود همبسته)، فرایند گام تصادفی و سه تصریح مختلف بر اساس نظریه برابری قدرت خرید (PPP). هدف اصلی این مقاله، آزمون این فرضیه است که آیا شبکه های عصبی مصنوعی با توان براورد روابط غیرخطی، دارای نتایج بهتر و قابل مقایسه در پیش بینی نرخ ارز نسبت به الگوهای سنتی، به خصوص الگوی گام تصادفی اند یا خیر؟ مقایسه مذکور برای مشاهدات داخل نمونه، براورد الگوها و خارج از نمونه برای افق های پیش بینی رو به جلوی یک ، شش و دوازده ماهه انجام می پذیرد. در حالت کلی، نتایج به دست آمده حاکی از دشوار بودن پیش بینی نرخ ارز، توسط الگوهای ساختاری اقتصادی است، این نتایج هماهنگ با مطالعات قبلی در این زمینه است. بدین صورت که الگوی(فرایند) گام تصادفی نسبت به الگوهای ساختاری پولی در پیش بینی نرخ ارز از عملکرد بهتری برخوردار است. در مقایسه مستقیم عملکرد مدل های(خطی) اقتصادسنجی ساختاری و سری زمانی با شبکه های عصبی(غیرخطی) و با داده های ماهانه، مدل های شبکه های عصبی مصنوعی به وضوح از قدرت بیشتری در زمینه پیش بینی نرخ ارز برخوردارند.

پیش بینی نرخ ارز یکی از مسائل مهم هر کشور است. روش های مرسوم پیش بینی و تجزیه و تحلیل آماری سری زمانی بر اساس دو فرض ایستایی و خطی بودن هستند، اما در مواردی که ویژگی خطی بودن صدق نکند، در عملکرد این مدل ها تردید ایجاد می شود. در این راستا، شبکه های عصبی مصنوعی از قابلیت بالایی در مدل سازی فرآیندهای تصادفی و پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردارند. در این مقاله، با استفاده از یک شبکه عصبی با رویکرد بنیادی، روند تغییرات نرخ ارز را بر اساس متغیرهای اقتصادی مؤثر بر آن مانند شاخص قیمت مصرف کننده در ایران و آمریکا، ارزش صادرات و واردات، قیمت نفت و قیمت طلا را مدل سازی کرده و با تحلیل حساسیت میزان تأثیرگذاری هریک از متغیرها را ارزیابی کرده ایم. با استفاده از نتایج مدل می توان اظهار داشت که مدل، بیشترین حساسیت را نسبت به شاخص قیمت مصرف کننده از خود نشان می دهد. همچنین قیمت طلا، صادرات، قیمت نفت و واردات به ترتیب عوامل دیگر مؤثر بر روند نرخ ارز در ایران هستند.

نرخ ارز یکی از متغیرهای مهم و کلیدی اقتصادی می باشد که می تواند با تأثیر بر وضعیت تجارت خارجی و تراز پرداخت ها، تأثیرات به سزایی بر وضعیت تولید، تورم، اشتغال و سایر متغیرهای اقتصاد کلان بگذارد. با توجه به تغییرات فراوان نرخ ارز در ایران طی سی و پنج سال گذشته و علاوه بر آن با توجه به وابستگی درآمدهای ارزی کشور به صادرات نفت خام و وابستگی بودجه های سنواتی به نرخ ارز، تعیین نرخ ارز و پیش بینی نوسانات آن ضمن کاهش ریسک نوسانات نرخ ارز، منجر به برنامه ریزی بهتر در بودجه های سنواتی، واردات مواد اولیه مورد نیاز کشور و نیز صادرات غیرنفتی می شود. بر این اساس مقاله حاضر به مدل سازی و پیش بینی نرخ رسمی ارز در ایران با استفاده از مدل خودرگرسیونی ARIMA همراه با عامل های مداخله ای می پردازد و این الگو را با مدل گام برداری تصادفی مقایسه می کند. ابتدا با استفاده از نرم افزار R و بکارگیری داده های نرخ رسمی ارز از سال 1357 تا 1394، دو مدل مذکور برازش شده و مقایسه می شوند و در مرحله بعد با مدل مناسب، نرخ رسمی ارز برای سال های 1395 تا 1404 پیش بینی می شود. نتایج حاکی از آن است که مدل ARIMA همراه با عامل های مداخله ای عملکرد بهتری در مقایسه با مدل گام تصادفی دارد.

باتوجه به تغییرات فراوان نرخ ارز در ایران طی 35 سال گذشته و علاوه برآن، وابستگی درآمدهای ارزی کشور به صادرات نفت خام و وابستگی بودجه های سنواتی به نرخ ارز تعیین نرخ ارز و پیش بینی نوسانات آن ضمن کاهش ریسک نوسانات نرخ ارز به برنامه ریزی بهتر در بودجه های سنواتی، واردات مواد اولیه موردنیاز کشور، و نیز صادرات غیرنفتی منجر می شود. بر این اساس، در مقاله حاضر به مدل سازی و پیش بینی نرخ رسمی ارز در ایران با استفاده از مدل خودرگرسیونی ARIMA هم راه با عامل های مداخله ای می پردازیم و این الگو را با مدل گام برداری تصادفی مقایسه می کنیم. ابتدا، با استفاده از نرم افزار R و به کارگیری داده های نرخ رسمی ارز از سال 1357 تا 1394 دو مدل یادشده برازش می شوند و مقایسه می گردند و در مرحله بعد با مدل مناسب نرخ رسمی ارز برای سال های 1395 تا 1404 پیش بینی می شود. نتایج حاکی از آن است که مدل ARIMA هم راه با عامل های مداخله ای عملکرد بهتری در مقایسه با مدل گام تصادفی دارد.

نرخ ارز یکی از مهمترین متغیرهای کلیدی و مهم اقتصادی است که می تواند با تاثیر بر وضعیت تجارت خارجی و ترازپرداخت ها، تاثیراتی بر وضعیت تولید، تورم، اشتغال و سایر متغیرهای اقتصاد کلان بگذارد، بر این اساس مقاله حاضر به مدلسازی نرخ ارز در ایران با استفاده از مدل غیرخطی مارکف-سوئیچینگ (Markov Switching) می پردازد. داده های کاربردی در این مقاله شامل نرخ ارز در سال 1396-1338 است. یکی از دلایل مهم استفاده مدل مارکوف-سوییچینگ، این است که نرخ ارز یک سری زمانی غیرخطی است که در طی چند سال مورد مطالعه دارای نوسانات مختلفی است، به طور کلی نتایج مدل مارکف-سوئیچینگ نشان می دهد نرخ ارز رفتاری غیرخطی و نامتقارنی در ایران دارد و نرخ ارز در سه رژیم مختلف، رفتار متفاوتی برجای می گذارد و رفتار نرخ ارز در سه رژیم مورد نظر وابسته به دوره قرارگیری در آن بوده و این برای سیاستگذاری اقتصاد در حوزه نرخ ارز می تواند حائز اهمیت باشد.

با توجه به نوسانات زیاد نرخ ارز در ایران پیش بینی آن یکی از چالش های مهم برای گروه های مختلف در کشور می باشد. این مطالعه به بررسی عملکرد شش شبکه ی عصبی مصنوعی مختلف ایستا و پویا برای پیش بینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری داده های فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است. یافته های پژوهش حاکی از این است تعداد نرون ها اثر منظمی روی بهتر شدن عملکرد شبکه ها نداشته و از طرفی بهترین نتایج در وقفه های سه و چهار اتفاق افتاده است. نتایج نشان می دهد که  بهترین عملکرد مربوط به شبکه ی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیش بینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم داده های ورودی ارائه می دهد. همچنین دومین عملکرد مناسب مربوط به شبکه ی ایستای ترکیبی با ساختار ده نرون و دو وقفه می باشد. با این ملاحظات، سیاست گذاران می توانند با توجه به دسترسی بیشتر و بروزتر به داده های موثر بر نرخ ارز و با پایش لحظه ای متغیرها و ورود آنها به مدل جامع طراحی شده با استفاده از این روش، میزان انحراف نرخ ارز پیش بینی شده توسط مدل و نرخ ارز موجود را مورد بررسی قرار داده و سیاست های مقتضی را بر این اساس اتخاذ نمایند، به طوری که زیان های وارده بر بخش داخلی و خارجی اقتصاد ناشی از شکاف نرخ پیش بینی شده و نرخ ارز موجود در حداقل مقدار باشد.

پیش بینی روند آتی نرخ ارز به عنوان یکی از پر اهمیت ترین و تأثیرگذارترین متغیرهای اقتصاد کلان، همواره مورد توجه بسیاری از پژوهش گران بوده است. در این مقاله به منظور مدل سازی و پیش بینی روند سری زمانی نرخ ارز در بازار رسمی ارز ایران مدل های معادلات دیفرانسیل تصادفی حرکت برآونی ژئومتری و انتشار- پرش مرتن به کارگرفته شده است. به منظور بررسی عملکرد این مدل ها در پیش بینی خارج از نمونه ی نرخ ارز، مقایسه ای بین این مدل ها با مدل اقتصادسنجی سری زمانی ARIMA انجام گرفته است. نتایج پژوهش حاکی از آن است که مدل های پیشنهادی در این مقاله، دارای عملکرد بهتری نسبت به مدل ARIMA در پیش بینی داخل و خارج از نمونه ی نرخ ارز بر اساس معیار RMSE می باشند. طبقه بندی JEL : C53 , F47

جنگ شناختی یکی از انواع عملیات روانی است که در آن دشمن به دنبال ایجاد اخلال در قوه شناخت مردم با استفاده از خطا های شناختی مغز انسان است. در این تحقیق با جمع آوری پرسشنامه، رفتار توده ای به عنوان  مهم ترین خطای شناختی مورد استفاده در جنگ شناختی در بازار ارز شناخته گردید. با استفاده از این یافته اقدام به تعریف شاخصی جهت اندازه گیری شدت جنگ شناختی اعمال شده و برآورد تاثیر آن بر بازار ارز گردید. همچنین با استفاده از برآورد شدت عملیات روانی در هر دوره، تغییرات نرخ ارز پیش بینی گردید. نتایج مدل های رگرسیونی نشان می دهد که اگر با اندازه گیری نرخ حقیقی ارز تاثیر تورم ایران و عمده کشورهای طرف تجاری ایران و یا مطرح در تجارت جهانی بر نرخ دلار خنثی شود، و شوک سیاست پولی در ایران نیز کنترل شود، شاخص رفتار توده ای، که در این مقاله به عنوان نماینده شدت جنگ شناختی استفاده شده است، می تواند نزدیک به 50 درصد از تغییرات ماهانه در قیمت دلار را توضیح دهد. نتایج پیش بینی های انجام شده از حباب روانی نرخ ارز با استفاده از شدت عملیات روانی انجام شده در ماه های قبل، در 45 درصد موارد کمتر از یک انحراف معیار با مقدار واقعی فاصله داشته است. نتایج پیش بینی نرخ ارز نیز در بیش از نیمی از موارد کمتر از ۵ درصد خطا داشتند. این نتایج برای آمادگی در مقابل عملیات روانی دشمن در بازار ارز و طراحی عملیات های ضد جنگ روانی کارگشا خواهند بود.