طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در …

0 Comments

۴-۱٫ مقدمه
در این فصل ابتدا با استفاده از روش خطی، دادههای نرخ ارز (دلار در مقابل ریال) نرمالسازی شده و به دادههایی در بازه صفر تا یک تبدیل میشوند. در ادامه الگوی هوش محاسباتی ترکیبی برآورد میشود. به این صورتکه ابتدا در مرحلهی اول، یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو، برازش می‌گردد. در مرحلهی دوم، یک شبکه عصبی با استفاده از اطلاعات موجود در باقیمانده‌های الگوی خودرگرسیون میانگین متحرک انباشته آموزش میبیند. در مرحلهی سوم، نتایج بهدست‌آمده از مرحلهی یک و دو به منظور الگوسازی تمامی روابط موجود در داده‌های سری زمانی مورد مطالعه ترکیب میشوند. در مرحلهی چهارم الگوی ترکیبی ()، فازیسازی میشود. در نهایت الگوی فازیسازی شده برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) اعمال و عملکرد آن با الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و الگوی ترکیبی () مقایسه میشود.
۴-۲٫ مجموعهی دادهها
دادههای استفاده شده در این پژوهش شامل ۱۱۵ دادهی هفتگی نرخ ارز بازار آزاد (دلار در مقابل ریال) از تاریخ ۱۲/۰۱/۱۳۹۱ تا ۲۱/۰۳/۱۳۹۳ است. نمودار مربوط به نرخ ارز (دلار در مقابل ریال) براساس زمان در شکل (۴-۱) آورده شده است.
شکل (۴-۱): نرخ ارز مربوط به ۱۲ فروردین ماه ۱۳۹۱ تا ۲۱ خرداد ماه ۱۳۹۳
مآخذ: www.eranico.com
۴-۳٫ آمادهسازی دادههای ورودی
با پیش‌پردازش داده‌های ورودی شبکه، می‌توان شبکه را بسیار مناسب‌تر آموزش داد و جوابهای دقیق‌تری نیز بهدست آورد و تقریباً داده‌های خام هیچگاه برای استفاده در شبکه‌های عصبی مناسب نیستند. البته این یک محدودیت ذاتی برای شبکه‌های عصبی محسوب نمیشود، اما مناسب‌تر است که داده‌های ورودی به شبکه همواره در یک بازه خاص تغییرکنند. در مسأله مورد بررسی برای نرمالسازی داده‌ها از روش خطی استفاده شده است و داده‌های اولیه به داده‌هایی در بازه ۰ تا ۱ تبدیل شدهاند.
که در رابطهی بالا، داده نرمالسازی شده، داده اصلی، کمترین مقدار دادهها و بیشترین مقدار دادهها است. نمودار مربوط به دادههای نرمال شده نرخ ارز (دلار در مقابل ریال) براساس زمان در شکل (۴-۲) آورده شده است.
شکل (۴-۲): دادههای نرمال شده نرخ ارز مربوط به ۱۲ فروردین ماه ۱۳۹۱ تا ۲۱ خرداد ماه ۱۳۹۳
منبع: محاسبات محقق
۴-۴٫ برازش الگوی خودرگرسیون میانگین متحرک انباشته ()
همانطور که در فصل سوم اشاره شد، اولین مرحله الگوی ترکیبی، برازش یک الگوی خودرگرسیون میانگین متحرک انباشته با استفاده از اطلاعات موجود در داده‌های سری زمانی مورد مطالعه است. نتیجه این مرحله، جواب بهینه ضرایب و خطای خالص هستند که بهعنوان یکی از مجموعه داده‌های ورودی در مراحل بعدی مورد استفاده قرار می‌گیرد.
با بهکارگیری الگوی خودرگرسیون میانگین متحرک انباشته ابتدا ۱۰۳ مشاهده برای آموزش الگو و سپس ۱۲ مشاهده برای آزمون عملکرد الگو مورد استفاده قرار گرفته است. تقسیمبندی دادهها به دادههای آموزش و آزمون در جدول (۴-۱) نشان داده شده است.
جدول (۴-۱): تقسیمبندی دادهها به دادههای آموزش و آزمون

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

سری زمانی اندازه نمونه اندازه مجموعه آموزش اندازه مجموعه آزمون
نرخ ارز (دلار در مقابل ریال) ۱۱۵ ۱۰۳ ۱۲

منبع: محاسبات محقق
همانگونه که در فصل سوم توضیح داده شد، فرآیند شناسایی الگوی خودرگرسیون میانگین متحرک انباشته به روش باکس- جنکینز معروف است و شامل چهار مرحله است که در پژوهش حاضر برای داده‌های سری زمانی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) بررسی شده است.
مرحلهی اول- تشخیص (شناسایی):
گام اول جهت الگوسازی سری زمانی، بررسی مانایی در سریهای زمانی مورد مطالعه است. در این پژوهش به منظور بررسی مانایی سری زمانی از آزمون دیکی – فولر یا دیکی – فولر تعمیم یافته استفاده شده است. در این آزمون، روند بررسی مانایی به این صورت است که با رد ، نامانایی رد میشود و بیانگر مانایی متغیر است. بنابراین با رد فرضیه ، نامانایی یا ریشه واحد رد میشود و مانایی پذیرفته میشود. نتایج این آزمون برای متغیر نرخ ارز در سطح و تفاضل مرتبه اول در جدول (۴-۲) نشان داده شده است.
جدول (۴-۲): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار در مقابل ریال)

نام متغیر
دانلود متن کامل این پایان نامه در سایت abisho.ir