این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های رشد و توسعه پایدار، جلد ۸، شماره ۲، صفحات ۸۳-۱۰۰
عنوان فارسی بـهبود عملکرد پیش‌بیـنی‌های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی خودرگرسیون میانگین متحرک انباشته و شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله دقت پیش‌بینی از مهمترین عوامل مؤثر در انتخاب روش پیش‌بینی است. امروزه به‌‌رغم وجود روشهای متعدد پیش‌بینی، هنوز پیش‌بینی‌ دقیق مالی کار چندان ساده‌ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق‌تر می‌‌باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش‌بینی، کار بسیار دشواری می‌باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق‌تر با یکدیگر ترکیب کرده‌اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه‌های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق‌ترین مدلهای خطی و غیرخطی در پیش‌بینی سریهای زمانی می‌باشند. در این مقاله به منظور بهره‌گیری از مزایای منحصر به فرد هر یک از روشهای مدل‌سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل‌های خودرگرسیون میانگین متحرک انباشتهو شبکه‌های عصبی مصنوعی به منظور پیش‌بینی‌های مالی پیشنهاد شده‌اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه‌های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش‌بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Improving Forecasting Performance of Financial Variables by integrating Linear and Nonlinear ARIMA and Artificial
چکیده انگلیسی مقاله The evolution of financial data shows a high degree of volatility of the series, coupled with increasing difficulties of forecasting financial variables. Some alternative forecasting methods, based on the literature review, have been developed, which can be particularly useful in the analysis of financial time series. Despite of the numerous time series forecasting models, the accuracy of time series forecasting is fundamental to many decision processes. Selecting an efficient technique in unique situations is very difficult task for forecasters. Many researchers have integrated linear and nonlinear methods in order to yield more accurate results. In practice, it is difficult to determine the time series under study are generated from a linear or nonlinear underlying process while many aspects of economic behavior may not be pure linear or nonlinear. Although both ARIMA and Artificial Neural Networks (ANNs) models have the flexibility in modeling a variety of problems, none of which is universally the best model used indiscriminately in every forecasting situation. In this paper, based on the foundations of ARIMA and ANNs models, a hybrid method is proposed to forecast exchange rate. Empirical results indicate that integrating linear and nonlinear ARIMA and Artificial Neural Networks (ANNs) models can be an effective way to improve forecasting accuracy achieved by either of the above linear and nonlinear models used separately.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی خاشعی |
تهران

مهدی بیجاری |
دانشگاه صنعتی اصفهان
سازمان اصلی تایید شده: دانشگاه صنعتی اصفهان (Isfahan university of technology)

نشانی اینترنتی http://ecor.modares.ac.ir/article_2163_01d859f37c81cb9e4677747c1f1c9b85.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1388/article-1388-241318.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات