مطالب مرتبط با کلیدواژه

پیش بینی قیمت


۱.

پیش بینی قیمت های گوشت: رویکرد تابع معکوس تقاضا(مقاله علمی وزارت علوم)

کلیدواژه‌ها: گوشت گوسفند تابع تقاضای معکوس کشش مقداری پیش بینی قیمت گوشت گاو

حوزه های تخصصی:
تعداد بازدید : ۲۰۹۶
در بخش کشاورزی همواره یک وقفه بین تصمیم به تولید و عرضه محصولات به بازار وجود دارد که این امر مقدار کالای ورودی به بازار را به صوررت از قبل تعیین شده در می آورد و قیمت نقش تعدیل کننده برای برقراری تعادل در بازار و تخلیه بازار از کالارا ایفا می کند. در چنین شرایطی، تابع تقاضای معکوس که در آن قیمت به صورت تابعی از مقادیر، بیان می شود برای پیش بینی عکس العمل و واکنش قیمت محصولات نسبت به مقدار ورودی به بازار مناسب می باشد. در این مطالعه، یک سیستم معادلات قیمتی برای سه نوع گوشت گاو، گوسفند و مرغ با استفاده از اطلاعات مربوط به دوره زمانی 84ـ1363 برآورد شده است. بر اساس نتایج بدست آمده از برآورد کشش های خود مقداری اینگونه پیش بینی می شود که یک درصد افزایش در مقدار ورودی در هریک از این سه نوع گوشت به بازار کاهش قیمت گوشت گاو به میزان 86/0، گوشت گوسفند 76/0 و گوشت مرغ 03/1 درصد را در پی داشته باشد. نتایج کشش های دگر مقداری برآورد شده نیز نشان می دهد گوشت گاو و گوسفند جانشین های چندان خوبی برای گوشت مرغ نیستند. لذا، انتظار نمی رود با افزایش مقادیر دو گوشت نوع اول قیمت گوشت مرغ تغییر قابل توجهی را موجب شود.
۲.

مقایسه روش های کمی وکیفی درپیش بینی قیمت گندم(مطالعه موردی در ایران)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه عصبی مصنوعی GARCH ARIMA پیش بینی قیمت ARCH مدل دلفی

حوزه های تخصصی:
تعداد بازدید : ۸۷۲ تعداد دانلود : ۵۵۱
پیش بینی رفتار متغیرهای اقتصادی یکی از الزامات برنامه ریزی برای آینده است. در بین محصولاتی که مبادرت به پیش بینی قیمت آن ها می شود، پیش بینی قیمت گندم به لحاظ استراتژیک بودن آن برای کشورمان دارای اهمیتی ویژه است. تاکنون مطالعاتی که در حوزه پیش بینی قیمت گندم انجام گرفته است، مطالعاتی بوده اند که با استفاده از الگوهای کمی انجام گرفته و از روش های کیفی استفاده نشده است. در این پژوهش از هر دو گروه روش های کمی و کیفی استفاده شد است. در این پژوهش از داده ها، در طی دوره 1393-1355 استفاده شده است. نتایج این مطالعه نشان دهنده آن است که معیار RMSE برای مدل های کمیEGARCH, ARMA و ANN به ترتیب برابر 68/37625، 91/39373 و 073/24258 می باشد و معیار MAPE برای مدل های یاد شده به ترتیب برابر 21/27866، 55/23034 و 89/18712 می باشد. از سوی دیگر، میانگین درصد تفاوت بین پیش بینی به روش ANN و روش دلفی 08/0 است. این مطالعه بیانگر این است که الگوی شبکه عصبی مصنوعی در مقایسه با روش های دیگر دارای خطای پیش بینی کم تری است و در پیش بینی قیمت آینده در مقایسه با روش کیفی (مدل دلفی) دارای تفاوتی اندک است که بیانگر اهمیت استفاده از روش های کیفی در کنار روش های کمی برای پیش بینی متغیرهای اقتصادی میباشد.
۳.

شبیه سازی و ارزیابی راهبرد های مدیریت جنگل های شمال در شرایط عدم حتمیت: کاربرد روش برنامه ریزی پویا(مقاله علمی وزارت علوم)

کلیدواژه‌ها: مدیریت جنگل برنامه ریزی پویا عدم حتمیت پیش بینی قیمت

حوزه های تخصصی:
تعداد بازدید : ۵۱۳ تعداد دانلود : ۶۱۴
بهره برداری، حفاظت و حمایت از منابع جنگل نیازمند برنامه ریزی اصولی و صحیح است. برای این منظور به اطلاعات از وضعیت کمی و کیفی جنگل نیاز است. در این پژوهش با برآورد مدل رویش جنگل، مدل خودتوضیحی میانگین متحرک برای پیش بینی قیمت چوب، مدل هزینه برداشت چوب و تدوین یک مدل برنامه ریزی پویا، راهبرد های مدیریتی در قالب سه سناریوی بیشینه کردن ارزش حال خالص، بیشینه کردن میزان برداشت چوب و بیشینه کردن میزان موجودی، برای جنگل های شمال ایران شبیه سازی شد. نتایج نشان داد که ارزش حال خالص در این سه سناریو به ترتیب 27642، 25984 و 23081 هزار ریال و میزان حجم چوب به ترتیب 11182، 10500 و 11807 مترمکعب طی دوره مورد بررسی است. همچنین با استفاده از مدل تحلیل سلسله مراتبی، بر مبنای معیارهای زیست محیطی و اقتصادی راهبرد بیشینه کردن ارزش حال خالص، به عنوان بهترین گزینه مدیریت جنگل شناخته شد. 
۴.

بررسی مقایسه ای مدل های پیش بینی کوتاه مدت قیمت در بازار برق ایران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: بازار برق پیش بینی قیمت سری های زمانی شبکه های عصبی الگوریتم ژنتیک

حوزه های تخصصی:
تعداد بازدید : ۵۵۷ تعداد دانلود : ۵۹۸
در ده ه های اخیر رقابتی شدن بازار برق، مقوله قیمت را به یک عنصر اساسی در تصمیم گیری های بازیگران در چهارچوب صنعت برق تبدیل نموده است و به تبع آن بخش خصوصی به عنوان سرمایه گذار اصلی در این حوزه نیازمند پیش بینی قیمت های آینده به منظور اتخاذ استراتژی مناسب و سازگار با روند کلی نظام بازار در راستای حفظ سهم خود از بازار و حفظ حاشیه سود می باشد. در چهارچوب تحلیل های اقتصادی، این هدف با ابزار مد ل های اقتصاد سنجی محقق خواهد شد که اعتبار مدل یاد شده ناظر به کمینه سازی خطای پیش بینی در تطابق الگوی پیش بینی شده با واقعیت جاری است. پژوهش حاضر به بررسی مقایسه ای قدرت پیش بینی مدل های مبتنی بر شبکه های عصبی مصنوعی، الگوریتم ژنتیک و مدل آریما در افق کوتاه مدت با استفاده از داده های ساعتی قیمت برق پرداخته است. نتایج پژوهش، حاکی از آن است که در افق کوتاه مدت، شبکه های عصبی مصنوعی، خطای کمتری نسبت به دو الگوی دیگر در پیش بینی داشته و الگوریتم ژنتیک در جایگاه دوم قرار دارد. همچنین، الگوهای سری زمانی دارای بیشترین خطا در پیش بینی قیمت برق، با توجه به پیش بینی های درون نمونه ای را دارا می باشد. مجموع مربعات خطا در الگوی شبکه عصبی مصنوعی در داده های آموزش، اعتبار سنجی و آزمون، به ترتیب برابر 43/1473، 63/1762 و 32/1498، در الگوریتم ژنتیک در داده های آموزش و اعتبارسنجی به ترتیب برابر 20/11318 و 98/7085 و در الگوی سری زمانی برابر 37/34644 می باشد.
۵.

مدل سازی عوامل مؤثر بر نوسانات قیمت در زنجیره تامین گوشت مرغ: رویکرد پویایی شناسی سیستم ها(مقاله علمی وزارت علوم)

کلیدواژه‌ها: زنجیره تامین گوشت مرغ نوسانات قیمت مرغ کالای اساسی پویایی شناسی سیستم ها پیش بینی قیمت

حوزه های تخصصی:
تعداد بازدید : ۱۲۵۳ تعداد دانلود : ۵۴۹
گوشت مرغ به عنوان یکی از کالاهای اساسی شناخته شده و محصولی پرمصرف در سبد خانوارهای ایرانی محسوب میشود. بررسی نتایج تحقیقات صورت گرفته در خصوص تجزیه و تحلیل قیمت گوشت مرغ نشان می دهد مدل های ارائه شده در این مطالعات بر اساس متغیرهای مستقل به پیش بینی و تعیین قیمت مرغ پرداخته و بازخوردهای موجود در شکل گیری نوسان در قیمت را نادیده گرفته اند. در این مقاله با استفاده از ابزار پویایی شناسی سیستم ها به شناسایی ساختار بازار مرغ و سازوکار ایجاد نوسان در قیمت این کالا پرداخته شده است. در مدل ارایه شده برهم کنش بازخوردهای اثرگذاری تقاضا ، عرضه داخلی ، واردات و هزینه های تولید مدلسازی شده است. نتایج نشان می دهد که اصلی ترین نوسان مربوط به نزدیک شدن به عید نوروز است که قیمت افزایش قابل توجهی پیدا می کند. همچنین بر اساس یافته های این مطالعه افزایش واردات تاثیر چندانی بر روی متعادل کردن قیمت در بلندمدت نخواهد داشت.
۶.

قیمت گذاری بازیکنان فوتبال با تکنیک داده کاوی مورد مطالعه: بازیکنان باشگاه استقلال(مقاله علمی وزارت علوم)

کلیدواژه‌ها: الگوریتم درخت تصمیم پیش بینی قیمت داده کاوی دستمزد بازیکنان شبکه عصبی

حوزه های تخصصی:
تعداد بازدید : ۷۱۲ تعداد دانلود : ۳۴۶
بازیکنان از جمله مهم ترین و باارزش ترین دارایی ها و سرمایه های باشگاه های ورزشی محسوب می شوند که مبلغ قرارداد ایشان منابع زیادی از باشگاه ها را از آن خود کرده است. در مطالعه حاضر، با هدف بررسی نقش عوامل مرتبط با ارزش گذاری بازیکن، به پیش بینی مبلغ قرارداد آنان پرداخته شد. روش تحقیق حاضر کاربردی- پیمایشی و از نوع کمی و نمونه های تحقیق به صورت کل شمار، شامل 41 بازیکن تیم فوتبال باشگاه استقلال بود. داده های تحقیق بر مبنای روش اسنادکاوی داده های عملکرد بازیکنان، در دو فصل بود. در به کارگیری روش داده کاوی، از الگوریتم های شبکه عصبی، درخت تصمیم و الگوریتم خوشه بندی کای میانگین برای دسته بندی، تحلیل داده ها و پیش بینی قیمت، استفاده شد. همچنین از طریق پیش بینی مجدد قیمت با داده های خام اولیه و با استفاده از الگوریتم های ساخته شده در مدل های مختلف و بهره گیری از نمودار و تحلیل عددی، مقدار پیش بینی با مقدار واقعی در نرم افزار کلمنتاین، مدل به دست آمده تست شد. براساس یافته ها، در الگوریتم شبکه عصبی متغیر شیرجه بالاترین ضریب تأثیر و متغیر کل زمان بازی شده در طول یک فصل کمترین ضریب تأثیر را در قیمت گذاری بازیکن داشت. در الگوریتم درخت تصمیم بیشترین عامل تأثیرگذار بر قیمت بازیکن، سن و کمترین عامل، پست بازیکن بود. همچنین اولین عامل تأثیرگذار بر قیمت قدرت بدنی بود. تفاوت مقادیر پیش بینی شده در روش های الگوریتمی با داده های واقعی احتمالاً ناشی از عدم استفاده از رویکرد علمی در ارزش گذاری قراردادهای بازیکنان است. در پیش بینی قیمت بازیکنان، با فرض بودجه ثابت باشگاه، الگوریتم درخت تصمیم و با فرض بودجه متغیر، شبکه عصبی پیشنهاد می شود.
۷.

پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی قیمت رمز ارز بیت کوین یادگیری عمیق ARIMA

حوزه های تخصصی:
تعداد بازدید : ۵۷۸ تعداد دانلود : ۳۴۷
اخیرا بیت کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از چالش های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد روش هایی برای پیش بینی قیمت بیت کوین بسیار هیجان انگیز بوده و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از معامله آن در آینده دارد. در این پژوهش به منظور پیش بینی قیمت بیت کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده شده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از ARIMA جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج نشان می دهد که مدل ARIMA-GRU برای معیار های RMSEو MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند.
۸.

کاربرد رهیافت شبکه عصبی در پیش بینی قیمت کنجاله سویا در بورس کالای ایران

کلیدواژه‌ها: کنجاله سویا روش GMDH مدل خودرگرسیو میانگین متحرک پیش بینی قیمت بورس کالا

حوزه های تخصصی:
تعداد بازدید : ۲۶۲ تعداد دانلود : ۱۳۰
وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه ها و نگرانی های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده است.به منظور دست یابی به پیش بینی های بهتر در بازار بورس کنجاله سویا، قواعد موجود در آن شناسایی شود. در این مطالعه با استفاده از داده های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، ضمن بررسی جایگاه کنجاله سویا در معاملات بورس کالا، قیمت کنجاله سویا با رهیافت شبکه عصبی مبتنی بر الگوریتم GMDH[i]  پیش بینی و نتایج با پیش بینی های مدل خودرگرسیو میانگین متحرک مقایسه می گردد. نتایج نشان می دهد الگوریتم شبکه عصبیGMDH، توانایی و دقت بالاتری در پیش بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است.   <br clear="all" /> [i].Group Method of Data Handling(GMDH)
۹.

ارزیابی روش ترکیبی PSO-BiLSTM برای پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتی سهام (مطالعه موردی: سهام ارزشی بورس و فرابورس ایران)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی قیمت سری های زمانی شبکه عصبی حافظه طولانی کوتاه مدت دوطرفه الگوریتم بهینه سازی ازدحام ذرات سهام ارزشی

حوزه های تخصصی:
تعداد بازدید : ۲۳۸ تعداد دانلود : ۲۰۰
در سال های اخیر با افزایش ضریب نفوذ بازار سرمایه، افراد بیشتری متمایل به سرمایه گذاری در بورس شده اند. پیش بینی دقیق قیمت سهام با کمترین خطا می تواند ریسک سرمایه گذاری را کاهش و بازده سرمایه گذاری را افزایش دهد. پیش بینی قیمت سهام به دلیل نوسانات غیرخطی اغلب به عنوان مسئله سری زمانی غیرخطی توصیف می شود که تحت تأثیر عوامل زیادی است. در این پژوهش، روش BiLSTM برای پیش بینی قیمت سهام ارزیابی می گردد. در این راستا، از چندین تکنیک یادگیری ماشین جهت پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتهای سهام استفاده می شود و نهایتاً دو روش یادگیری عمیق شامل الگوریتم شبکه عصبی خود بازگشتی (LSTM) و الگوریتم شبکه عصبی خود بازگشتی دوطرفه (BiLSTM) در این راستا پیاده سازی و نتایج آنها مقایسه می شوند. داده های سری زمانی مشخصه های قیمتی شامل قیمت باز، قیمت بسته، قیمت بالا و قیمت پایین برای سهام ارزشی شرکت های پذیرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتدای سال ۱۳۹۲ تا پایان سال ۱۳۹۸، در جهت پیاده سازی روش های مذکور به عنوان مطالعه موردی استفاده می گردند. نتایج این پژوهش نشان داد که مدل ترکیبی PSO-BiLSTM در نظر گرفتن معیارهای ارزیابی RMSE و R-Square خطای کمتری در پیش بینی قیمتهای سهام مورد مطالعه و عملکرد بهتری نسبت به الگوریتم های SVR ،CART ، MLP، LSTM و BiLSTM دارد.
۱۰.

طراحی الگوی بازار نفت و مقایسه پیش بینی های قیمت نفت خام(مقاله علمی وزارت علوم)

کلیدواژه‌ها: قیمت نفت خام پیش بینی قیمت شبکه عصبی آریما سیستم معادلات همزمان

حوزه های تخصصی:
تعداد بازدید : ۱۷۲ تعداد دانلود : ۱۴۹
قیمت نفت خام از عوامل موثر بر شاخص های اقتصادی می باشد. از این رو پیش بینی قیمت نفت همواره مورد بحث اقتصاددانان بوده است. در این پژوهش به منظور پیش بینی قیمت نفت، بر اساس نظریه رقابتی مک اوی، تاثیر کلیه متغیرهای موثر بر عرضه و تقاضای نفت خام بررسی و با استفاده از سیستم معادلات همزمان و روش های آماری مرسوم، معادلات عرضه و تقاضا برآورد گردید. سپس با فرض برابری عرضه و تقاضای نفت در بلندمدت، کشش های بلندمدت عرضه و تقاضای نفت نسبت به هریک از متغیرهای موجود در مدل استخراج گردید. محاسبات نشان داد بیشترین تاثیر بر قیمت نفت را تولید ناخالص داخلی جهان با کشش تقاضای 6039/0 و کمترین تاثیر را تنش های نظامی و امنیتی جهان با کشش تقاضای 0110/0- دارند. پس از برآورد الگو به مقایسه دقت پیش بینی سه روش تلفیقی شامل شبکه عصبی و سیستم معادلات همزمان، آریما و سیستم معادلات همزمان، شبکه عصبی و آریما و سیستم معادلات همزمان با روش های مرسوم و تک متغیره شبکه عصبی و آریما پرداخته شد. نتایج بیانگر آن بود که روش تلفیقی آریما و سیستم معادلات همزمان در پیش بینی 5 ساله و روش تلفیقی شبکه عصبی و آریما و سیستم معادلات همزمان در پیش بینی 10 ساله از قدرت پیش بینی کنندگی بهتری نسبت به روش های مرسوم و تک متغیره شبکه عصبی و آریما برخوردار می باشند.
۱۱.

ارائه مدل ترکیبی بهینه سازی سبد سهام براساس پیش بینی قیمت با شبکه عصبی بازگشتی LSTM به کمک محدودیت های کاردینالیتی و روش های تصمیم گیری چندمعیاره (مطالعه موردی بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی قیمت شبکه عصبی بازگشتی حافظه کوتاه-مدت ماندگار فرآیند تحلیل سلسله مراتبی بهبودیافته راه حل سازشی ترکیبی محدودیت های کاردینالیتی

حوزه های تخصصی:
تعداد بازدید : ۱۶۲ تعداد دانلود : ۱۴۳
پیش بینی قیمت سهام به دلیل ماهیت نوسانی بازار و پویایی روند حرکت قیمت، نقش مهمی در ایجاد یک استراتژی کارآمد با بازدهی بالا دارد، همچنین نتایج حاصل از پیش بینی، پیش نیاز ایجاد سبد سهام با ساختاری بهینه است. لذا هدف از انجام این پژوهش ارائه مدلی ترکیبی است تا به سرمایه گذاران در انتخاب سبد سهام بهینه کمک نماید. بنابراین، با استفاده از فرآیند تحلیل سلسله مراتبی بهبود یافته از میان صنایع فعال در بورس اوراق بهادار تهران، ده صنعت برتر براساس معیارهای مؤثر بر ارزش صنایع انتخاب می شوند. سپس با کمک شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار قیمت سهام شرکت های فعال طی بازه زمانی ابتدای خرداد 1395 تا ابتدای خرداد 1400، در افق های زمانی مورد نظر، پیش بینی می گردد. در گام بعد با روش راه حل سازشی ترکیبی، سه سبد سهام با افق زمانی کوتاه مدت، میان مدت و بلند مدت انتخاب می شود و در نهایت براساس مدل دارایی محدود مارکویتز با استفاده از روش برنامه ریزی غیرخطی عدد صحیح مختلط با الگوریتم شاخه و برش، اوزان بهینه مشخص و مرز کارا رسم می گردد. نتایج پژوهش نشان می دهد، مدل ارائه شده، بازدهی بیشتری را باتوجه به ریسک در تشکیل سبدهای سهام با افق های زمانی مشخص نسبت به روش های سنتی نصیب سرمایه گذاران می نماید.
۱۲.

پیش بینی قیمت مسکن با استفاده از الگوریتم هوش مصنوعی LSTM(مقاله علمی وزارت علوم)

کلیدواژه‌ها: قیمت مسکن LSTM پیش بینی قیمت پیش بینی سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۱۱۸ تعداد دانلود : ۷۸
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.
۱۳.

طراحی الگوی پیش بینی قیمت برنج (رویکرد خودرگرسیون برداری)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی قیمت برنج ایرانی خزر برنج خارجی تایلندی مدل VAR

حوزه های تخصصی:
تعداد بازدید : ۱۳۳ تعداد دانلود : ۷۰
با توجه به اهمیت برنج و سهم عمده مصرف آن در سبد خانوار، سیاست گذاری بهینه ای برای کنترل قیمت آن در بازار، نقش عمده ای در رفاه و امنیت غذایی خانوارها خواهد داشت. ازاین رو، بررسی روند قیمتی و ارائه پیش بینی های قیمتی این محصول، بااهمیت است. در همین راستا، هدف این پژوهش، ضمن شناسایی متغیرهای اثرگذار و بررسی تأثیر آن ها بر قیمت برنج، ارائه پیش بینی های برون نمونه ای (1402:03-1402:12) با استفاده از مدل خودرگرسیون برداری (VAR) است. برآورد دو مدل برای برنج ایرانی خزر و برنج خارجی تایلندی؛ استفاده از داده های به روز و ماهانه؛ و همچنین پیش بینی قیمت دو برنج یاد شده از نوآوری های این پژوهش است. برمبنای تحلیل هم انباشتگی یوهانسون- جوسیلیوس، وجود رابطه بلندمدت بین متغیرها تایید شد. سپس، رابطه های بلندمدت و کوتاه مدت (VECM) برآورد و ضریب جمله تصحیح خطا برای مدل های اول و دوم به ترتیب برابر 300/0- و 309/0- برآورد شده که هر دو در سطح 1 درصد معنی دار هستند. در ادامه، بنابر نتایج تابع های واکنش آنی، شوک ایجاد شده در نرخ ارز و قیمت کالای جانشین در مدل اول، و قیمت کالای جانشین و شاخص قیمت جهانی در مدل دوم، بیش از دیگر متغیرها بر نوسان های قیمت برنج های خزر و تایلندی مؤثر بوده اند. در نهایت، پیش بینی های برون نمونه ای (با دو سناریو ارزی) برآورد شد که بنابر نتایج معیارهای ارزیابی پیش بینی، مدل های تحقیق به خوبی توانسته اند پیش بینی هایی از روند قیمتی برنج های ایرانی و تایلندی ارائه دهند.
۱۴.

ارائه مدلی برای پیش بینی قیمت سهام مبتنی بر CNN-LSTM بهینه شده در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی قیمت یادگیری عمیق حافظه طولانی کوتاه مدت شبکه عصبی کانولوشن بورس اوراق بهادار تهران

حوزه های تخصصی:
تعداد بازدید : ۶۷ تعداد دانلود : ۶۵
هدف: یکی از مهم ترین اهداف سرمایه گذاران و معامله گران بازار های مالی شناخت رفتار قیمت سهام است. پیش بینی قیمت، می تواند به افراد در مورد خرید، فروش یا نگهداری سهام کمک کند تا با زمان بندی موثر معاملات، سود بالقوه را به حداکثر یا زیان را به حداقل برسانند. به دلیل رفتار غیر خطی قیمت و وابستگی آن به عوامل گوناگون پیش بینی قیمت کار دشواری است که برای مقابله با این چالش، در این پژوهش از مدل های یادگیری عمیق کمک گرفته می شود که زیر شاخه ای از مدل های یادگیری ماشین هستند. ساختار مدل های یادگیری عمیق به دلیل تمرکز بر روی تعداد لایه های بیشتر و استفاده از گره های به هم پیوسته (نورون ها) در مواجه با مقادیر زیادی داده عملکرد مناسبی دارند و به دلیل توانایی آن ها در شناخت الگو ها و روابط، امکان ارائه پیش بینی دقیق تری از قیمت ها را فراهم می کنند.روش: در این پژوهش، برای پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران از دو مدل پیشنهادی LSTM-CNN و CNN-LSTM به وسیله بهینه سازی هایپرپارامتر ها توسط الگوریتم PSO که یک الگوریتم بهینه سازی مبتنی بر جمعیت است و تکنیک های تقویت مدل شامل: آموزش خصمانه، مکانسیم توجه و بلوک باقی مانده استفاده شده است. این مدل ها با مدل های CNN،LSTM وCNN-LSTM مورد مقایسه قرار گرفته اند. جهت دستیابی به این هدف، داده های10سهم از تاریخ20 شهریور 1392 تا تاریخ20 شهریور 1402 مورد بررسی قرارگرفته است.داده های ورودی شامل: قیمت های تعدیل شده سهم، اندیکاتور ها، اسیلاتور ها، قیمت دلارآزاد آمریکا و نرخ تورم می باشد.یافته ها: مقایسه نتایج معیار های ارزیابی شامل چهار معیار RMSE، MAE، R-squared و MAPE نشان از عملکرد مطلوب  دو مدل پیشنهادی با سایر مدل ها می دهد. علاوه بر این، مدل پیشنهادی LSTM-CNN  توانسته بهترین عملکرد را به ثبت رساند. همچنین، بررسی نتایج دو مدل پیشنهادی، با و بدون الگوریتم PSO  مشخص کرد که این الگوریتم به بهینه سازی مدل ها کمک می کند. در نهایت، بررسی استراتژی های مبتنی بر مدل های پیشنهادی بر روی پنج سهم از پنج صنعت مختلف در چهار دوره زمانی نشان از عملکرد مالی برتر آن ها می دهد. به عبارت دیگر، مدل های پیشنهادیLSTM-CNN  و  CNN-LSTMتوانسته اند در معیار بازده مالی و نسبت شارپ در مقایسه با سایر استراتژی ها موفقیت مطلوبی به دست آورند که مدل پیشنهادیLSTM-CNN  مطلوب ترین عملکرد را به ثبت رسانده است.نتیجه گیری: هایپرپارامترها، پارامترهایی هستند بر روی خروجی مدل ها تاثیر دارند و با تغییر هرکدام از این هایپارامترها نتایج مختلفی به دست می آید که می تواند مناسب یا غیر مناسب باشند این پارامترها در طول آموزش یاد نمی گیرند و باید قبل از آموزش تنظیم شوند. طبق نتایج به دست آمده، بهینه سازی هایپرپارامترها، می تواند سهم را بر اساس رفتار آن سهم بهینه کند که این امر منجر به پیش بینی دقیق تر قیمت می شود. همچنین، با استفاده از مدلLSTM-CNN  استخراج ویژگی ها از داده ها  و شناسایی و درک وابستگی ها در ویژگی های استخراج شده به طور مناسب تری از CNN-LSTM صورت می گیرد که می تواند در بهبود دقت پیش بینی کمک کند.