منابع مقالات علمی : طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران- قسمت ۱۲

0 Comments

در ابتدای سال ۱۳۷۴ به علت نوسانات شدید نرخ ارز در بازار آزاد و همچنین فاصله قابل توجهی که میان نرخ شناور ارز و نرخ ارز در بازار آزاد ایجاد شده بود سیاستهای محدودکننده ارزی به اجرا درآمد. بهاین ترتیب با اعلام سیاستهای جدید ارزی مبنی بر اعلام قاچاق بودن خرید و فروش ارز خارج از نظام بانکی، نوسانات نرخ ارز در بازار آزاد متوقف گردید. از خرداد سال ۱۳۷۴ در یک اقدام ضربتی، دولت نرخ ارز را تثبیت و بازار غیررسمی را غیرقانونی اعلام کرد و با تعیین دو نرخ رسمی و صادراتی ۱۷۵۰ و ۳۰۰۰ ریال در تثبیت قیمتها کوشید. همچنین سعی شد با اعمال کنترل اعتبارات بانکی و نیز کاهش قدرت وامدهی بانکها، حجم نقدینگی کنترل و عملا سیاستهای انقباضی پولی اعمال شود. در سال ۱۳۷۵، مهمترین سیاست ارزی، تثبیت نرخهای شناور و صادراتی ارز بود. از دیگر سیاستهای ارزی سال ۱۳۷۵ اتخاذ سیاستهای ارزی تشویق صادرات و در عین حال سیاستهای واردات کالاهای اساسی است.
در طی سالهای ۱۳۷۶ و ۱۳۷۸ نظام ارزی کشور تغییر عمدهای نداشت و کماکان مبتنی بر دو نرخ رسمی پایه و صادراتی بود. براساس مقرراتی که در سال ۱۳۷۷ به تصویب رسید نرخ واریزنامه، در پارهای موارد جایگزین نرخ صادراتی شد. اهداف عمدهی سیاستهای ارزی اتخاذ شده در سال ۱۳۷۸ در درجهی اول، کنترل دامنهی نوسانات نرخ ارز از طریق هدایت مبادلات ارزی و بازرگانی خارجی به نظام بانکی بود. در درجهی دوم، تقویت ساختار ارزی کشور از طریق تداوم بازار تجاری و ایفای تعهدات سررسید شده کشور بود. در سال ۱۳۷۹ به دنبال حذف نرخ ارز صادراتی از نظام ارزی کشور نرخ گواهی سپرده ارزی و نرخ توافقی در کنار نرخ شناور مبنای محاسبهی مبادلات ارزی کشور قرار گرفت (نادعلی، ۱۳۸۶).
نظام ارزی در اقتصاد ایران از ابتدای انقلاب تا سال ۱۳۸۰، یک نظام ارزی حداقل دو نرخی شامل یک نرخ ارز رسمی ثابت و یک نرخ ارز غیر رسمی (بازار آزاد) به صورت شناور مدیریت شده بود. با اجرای سیاست یکسانسازی نرخ ارز از سال ۱۳۸۱، نظام ارزی ایران به نظام ارزی تک نرخی شناور مدیریت شده تغییر یافت. اما از نیمهی دوم سال ۱۳۸۹ و با گسترش شکاف میان نرخ ارز رسمی و غیر رسمی، اقتصاد ایران به نظام ارزی دو نرخی بازگشته است.
از نیمهی دوم سال ۱۳۹۰ و با افزایش نرخ غیر رسمی ارز و عدم تعدیل کافی نرخ رسمی ارز، مجددا شکاف رو به گسترش میان نرخ رسمی و غیر رسمی ارز ایجاد شده است که این امر بیانگر بازگشت به نظام ارزی دو نرخی است (برخورداری، ۱۳۹۰).
فصل سوم:
روش پژوهش
۳-۱٫ مقدمه
در این فصل ابتدا حدود زمانی و مکانی پژوهش و روشهای جمعآوری اطلاعات بیان میشود. سپس الگوهای سریهای زمانی خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی معرفی میشوند. در ادامه، روش ترکیبی که به منظور پیشبینی مورد استفاده قرار گرفته است، ارایه خواهد شد.
۳-۲٫ حدود پژوهش و روش جمعآوری دادهها و اطلاعات
حدود مکانی پژوهش مربوط به اقتصاد ایران است و از دادههای آماری نرخ ارز بازار آزاد (دلار ایالات متحده در مقابل ریال ایران) استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل ۱۱۵ دادهی هفتگی (دلار ایالات متحده در مقابل ریال ایران) از تاریخ ۱۲/۰۱/۱۳۹۱ تا ۲۱/۰۳/۱۳۹۳ است. لازم به ذکر است که در پژوهش حاضر دادههای هفتگی میانگین دادههای روزهای شنبه تا چهارشنبه هر هفته است. دادههای آماری مورد نیاز به روش کتابخانهای جمعآوری شده است. برای پردازش اطلاعات از نرم افزارهای Eviews، Matlab و Games استفاده شده است.
۳-۳٫ پیشبینی
پیشبینی، برآورد کمی احتمال وقوع وقایع در آینده است که بر اساس اطلاعات حال و گذشته انجام میشود. توجه به روشهای جدید پیشبینی از جمله روشهای سریهای زمانی شبکههای عصبی مصنوعی و رگرسیون فازی سبب شده تا چالشهای دیگری در علم پیشبینی ایجاد شود. در مطالعات مختلف انجام شده در موضوعات اقتصادی، مالی و بازرگانی، این روشها جوابهای متعددی دادهاند.
در سالهای اخیر تلاشهای فراوانی به منظور بهبود روشهای پیشبینی سریهای زمانی به خصوص در محیطهای مالی صورت گرفته است. اینگونه تحقیقات بیشتر در دو دستهی عمدهی ارایهی روش جدید پیشبینی (کیم[۱۰۵]، ۲۰۰۳) و یا ترکیب روشهای موجود پیشبینی به منظور دستیابی به نتایج دقیقتر قرار دارند (خاشعی و همکاران، ۲۰۰۸). عموما روشهای پیشبینی جدید از جمله شبکههای عصبی برای پیشبینی متغیرهای خاص و پیچیده مورد استفاده قرار میگیرند. رویکرد ترکیبی که در مقالات پیشبینی به آن اشاره شده و از آن استفاده شده، اشاره به این موضوع دارد که با ترکیب روشهای مختلف پیشبینی میتوان خطای آن را کاهش داد و به جای استفاده منحصربهفرد از یک روش پیشبینی، ترکیبی از این روشها را به کار برد.
۳-۴٫ الگوهای پیشبینی سریهای زمانی
پیشبینی سریهای زمانی یکی از مهمترین زمینههای پیشبینی است که در آن مشاهدات گذشتهی یک متغیر جمعآوری و به منظور بهدست آوردن روابط اساسی بین مشاهدات و تعیین یک الگوی توصیفی، تجزیه و تحلیل میشود و سپس الگوی حاصل به منظور برونیابی سریهای زمانی مورد استفاده قرار میگیرد. این روش الگوسازی بهخصوص زمانی مفید است که در مورد فرایند اساسی تولید دادهها، دانش کمی در دسترس باشد و یا هنگامیکه هیچ الگوی توضیحی رضایتبخشی که متغیر وابسته را به سایر متغیرهای توضیحی مرتبط سازد وجود نداشته باشد.
چندین روش متفاوت به منظور الگوسازی سریهای زمانی وجود دارد. روشهای آماری شامل میانگین متحرک، هموارسازی نمایی و خود رگرسیون میانگین متحرک انباشته، روشهای خطی هستند که در آنها پیشبینی مقادیر آینده به این موضوع محدود شده است که مقادیر آینده، توابع خطی از مشاهدات گذشته باشند. اینگونه روشها بهدلیل سادگی در فهم و بهکارگیری، در چند دههی اخیر بسیار مورد توجه بودهاند. برای غلبه بر محدودیت خطی بودن الگو و به حساب آوردن الگوهای غیرخطی مشخص در مسایل واقعی، چندین نوع مختلف از الگوهای غیرخطی در ادبیات موضوع پیشنهاد شده است که از جمله مهمترین آنها میتوان به خودرگرسیون شرطی ()[۱۰۶] ، دوخطی[۱۰۷] و خودرگرسیون آستانهای ()[۱۰۸] اشاره نمود (خاشعی و بیجاری، ۱۳۸۷).
هر چند الگوهای غیرخطی مذکور بهبودهایی در مسایل پیشبینی ایجاد نمودهاند، اما بهکارگیری آنها در حالت کلی محدود است؛ چراکه اینگونه الگوها تنها برای الگوهای غیرخطی خاصی طراحی شدهاند و قادر به الگوسازی انواع دیگر سریهای زمانی غیرخطی نیستند (ژانگ[۱۰۹]، ۲۰۰۴). در سالهای اخیر شبکههای عصبی مصنوعی و رگرسیون فازی به عنوان یک جایگزین مناسب جهت الگوسازی سریهای زمانی پیشنهاد شدهاند. در ادامه این بخش به تشریح اصول اساسی فرآیند الگوسازی توسط روشهای خودرگرسیون میانگین متحرک انباشته و الگوهای شبکههای عصبی و رگرسیون فازی پرداخته میشود.
۳-۴-۱٫ الگوی خودرگرسیون میانگین متحرک انباشته ()[۱۱۰]
۳-۴-۱-۱٫ تاریخچهی خودرگرسیون میانگین متحرک انباشته
الگوهای خودرگرسیون ()[۱۱۱] اولینبار توسط یول[۱۱۲] در سال ۱۹۲۹ معرفی شدند. سپس اسلاتسکی[۱۱۳] در سال ۱۹۳۷، با معرفی الگو‌‌های میانگین متحرک ()[۱۱۴] به تکمیل این الگو‌ها پرداخت. در سال ۱۹۳۸، ولد[۱۱۵] با ترکیب الگو‌های خودرگرسیون و میانگین متحرک به معرفی الگوی خودرگرسیون میانگین متحرک ()[۱۱۶] پرداخت و نشان داد که این الگو‌ها می‌توانند برای دامنهی وسیعی از سری‌های زمانی ایستا بهکار روند. سرانجام باکس و جنکینز[۱۱۷] در سال ۱۹۷۸، با معرفی الگو‌های خودرگرسیون میانگین متحرک انباشته نسخهی تکمیل شده‌ای را ارایه کردند که امروزه در بسیاری از پیش‌بینی‌های مختلف بهکار می‌رود (مکریدیکس و هیبون[۱۱۸]، ۱۹۹۷).
۳-۴-۱-۲٫ ویژگیهای روش خودرگرسیون میانگین متحرک انباشته
یکی از مهمترین و پرکاربردترین الگوهای سری زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. عمومیت اینگونه الگوها به دلیل خواص آماریشان و همچنین روش معروف باکس– جنکینز در فرایند الگوسازی اینگونه از الگوها است. علاوه بر این الگوهای هموارسازی نمایی متعددی میتوانند توسط الگوهای به کار گرفته شوند. اینگونه الگوها همچنین کاملا انعطافپذیرند، چرا که میتوانند الگوهای بسیار متفاوتی از سریهای زمانی همچون سریهای خودرگرسیون ، میانگین متحرک و ترکیب هر دو آنها را تشریح نمایند.
روشهای خودرگرسیون میانگین متحرک انباشته بهدلیل سادگی در فهم و بهکارگیری، در چند دههی اخیر بسیار مورد توجه بودهاند، اما بهکارگیری آنها در حالت کلی محدود است. مهمترین محدودیت اینگونه الگوها پیش فرض خطی بودن آنها است، یعنی در اینگونه از الگوها فرض میشود بین مقادیر سری زمانی یک ساختار همبسته خطی وجود داشته باشد. بنابراین، الگوهای غیرخطی نمیتوانند توسط الگوی خود رگرسیون میانگین متحرک انباشته محاسبه گردند و به همین دلیل است که برآورد الگوهای خطی، برای مسایل پیچیده دنیای واقعی که اغلب الگوهای غیرخطی هستند، همیشه رضایتبخش نخواهد بود (خاشعی و بیجاری، ۱۳۸۷).
۳-۴-۱-۳٫ الگوسازی ، و
فرض کنید بیانگر یک سری زمانی باشد، اگر به صورت زیر الگوسازی گردد:
که در آن میانگین و یک جمله اخلال خالص (یک جمله خطای تصادفی غیرهمبسته با میانگین صفر و واریانس ثابت ) باشد، در این حالت گفته میشود یک فرآیند تصادفی یا خودرگرسیون مرتبهی اول[۱۱۹] است. در این حالت مقدار و زمان به مقدار آن در دورهی زمانی گذشتهاش و یک جملهی تصادفی بستگی دارد (مقادیر به صورت انحراف از میانگین هستند). به عبارت دیگر این الگو بیانگر این است که پیشبینی در زمان نسبتی (برابر ) از مقدار آن در زمان بهعلاوه یک شوک تصادفی یا جملهی اخلال در زمان است. اگر الگوی زیر را در نظر بگیرید:
در این صورت یک فرآیند خودرگرسیون مرتبهی دوم است. یعنی مقدار در زمان به مقدار دو دورهی زمانی گذشته خودش وابسته است و مقادیر به صورت انحراف از میانگین بیان میشوند. به طور کلی الگوی زیر را در نظر داشته باشید:
که در آن از یک فرآیند یا فرآیند خودرگرسیون از مرتبهی ام پیروی میکند. در تمامی الگوهای قبلی تنها مقادیر جاری و گذشته مورد نظر هستند.
فرآیند تنها فرآیند الگوسازی برای تولید نیست. فرض کنید به صورت زیر الگوسازی شود:
که یک مقدار ثابت و جملهی اخلال است. در این الگو، در زمان برابر با یک مقدار ثابت بهعلاوه یک میانگین متحرک از جملات خطای جاری و گذشته است. در این حالت میگویند، متغیر از یک فرآیند میانگین متحرک مرتبهی اول[۱۲۰] یا تبعیت میکند. اما اگر به صورت الگوی زیر بیان شده باشد:
در این صورت از فرایند پیروی میکند. به طور کلی الگوی زیر بیانگر فرایند است:
به طور خلاصه یک فرآیند میانگین متحرک، یک ترکیب خطی از جملات اخلال است.
حالتی را فرض کنید که سری زمانی دارای ویژگیهای هر دو فرآیند و باشد، در این صورت به این فرایند خودرگرسیون میانگین متحرک گفته میشود و میتوان آن را به صورت زیر نوشت:
یعنی شامل یک فرآیند خودرگرسیون مرتبهی اول و یک فرآیند میانگین متحرک مرتبهی اول است. در معادلهی بیانگر عبارت ثابت است.
به طور کلی فرآیندی را گویند که شامل مرتبه جمله خودرگرسیون و مرتبه جمله میانگین متحرک باشد ( به عبارت دیگر شامل مرتبه جمله با وقفه از متغیر و مرتبه جمله اخلال باشد) (گجراتی، ۱۳۷۸).
۳-۴-۱-۴٫ الگوی خودرگرسیون میانگین متحرک انباشته
تنها زمانیکه متغیرهای مورد بررسی مانا باشند می‌توان از فرآیند خودرگرسیون میانگین متحرک استفاده نمود و در غیر این صورت باید از فرآیند دیگری بهنام خودرگرسیون میانگین متحرک انباشته استفاده کرد. اگر یک سری زمانی پس از مرتبه تفاضل‌گیری مرتبه‌ی اول ساکن شود و سپس توسط فرآیند الگو‌سازی شود، سری زمانی اصلی سری زمانی خودرگرسیونی میانگین متحرک انباشته است که در آن تعداد جملات خودرگرسیون، تعداد دفعات تفاضل‌گیری مرتبهی اول برای ساکن شدن سری زمانی و تعداد جملات میانگین متحرک است. در الگوی خودرگرسیون میانگین متحرک انباشته مقادیر آیندهی متغیر به عنوان تابعی خطی، از مشاهدات گذشته و خطاهای تصادفی است.
۳-۴-۱-۵٫ مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته
یکی از ابزارهای متداول برای پیشبینی، روش باکس– جنکینز است که به روش خودرگرسیون میانگین متحرک انباشته مشهور است. روش باکس- جنکینز دارای چهار مرحله است که در زیر به آنها اشاره شده است:
مرحلهی اول- تشخیص (شناسایی): در این مرحله مقادیر مربوط به وقفه‌های جملات خودرگرسیونی، میانگین متحرک و تعداد دفعات تفاضل‌گیری برای مانا شدن تعیین می‌شود. بهعبارتی در این مرحله مقادیر واقعی تعیین می‌شود. برای آزمون مانایی یک سری زمانی از آزمون دیکی – فولر یا دیکی – فولر تعمیم یافته[۱۲۱] استفاده میشود. برای تعیین وقفه‌های جملات خودرگرسیونی و میانگین متحرک از تابع خودهمبستگی [۱۲۲] و خودهمبستگی جزیی [۱۲۳] استفاده می‌شود.

مطلب دیگر :
بررسی مدل احتمال خطی بر میزان استفاده از خدمات دندانپزشکی در شرکت بیمه ...

منبع فایل کامل این پایان نامه این سایت pipaf.ir است