این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات اقتصادی، جلد ۴۳، شماره ۴، صفحات ۰-۰
عنوان فارسی بهبود مدل‌سازی شبکه‌های عصبی در پیش‌‌بینی نرخ ارز، با به‌کارگیری شاخص‌های تلاطم
چکیده فارسی مقاله این مقاله بر نقش شاخص‌های تلاطم در بهبود روش شبکه‌های عصبی برای پیش‌‌بینی روزانه دو نرخ ارز دلار و پوند در برابر یورو در بازار ارز تأکید دارد. بدین منظور دو شاخص واریانس و گارچ را به عنوان شاخص‌های تلاطم نرخ ارز به تفکیک در نظر گرفته و به دو طریق در مدل مورد استفاده قرار می‌دهیم. بار اول وقفه آن را به وقفه‌های نرخ ارز اضافه می‌کنیم و بار دیگر شاخص تلاطم را سطح‌بندی کرده و با دسته‌بندی مشاهدات براساس سطح تلاطم، مدل پیش‌بینی ویژه‌ای را برای هر دسته از مشاهدات می‌سازیم. نتایج نشان می‌دهد که مدل‌های سطوح بالای تلاطم، در مقایسه با مدل مبنا، قدرت پیش‌بینی نرخ ارز آتی را بهبود می‌دهند، اما در پیش‌بینی مدل‌های سطوح میانی و پایین تلاطم، بهبودی مشاهده نمی‌شود. بنابراین می‌توان گفت که در بازار ارز، تلاطم‌های پایین نرخ ارز برای عاملان اقتصادی خبر جدیدی نیست و در شکل دادن انتظارات برای پیش‌بینی نرخ ارز نقشی ندارد، در حالی که سطوح بالاتر تلاطم یک اطلاع جدید است. طبقه‎بندی JEL: F31, F37, C63
کلیدواژه‌های فارسی مقاله پیش‌بینی، شاخص تلاطم، شبکه عصبی، نرخ ارز،
عنوان انگلیسی Improved Neural Network Forecasting Models for Foreign Exchange Rates Using Volatility Indices
چکیده انگلیسی مقاله The emphasis of this paper is the role of volatility indices on improvement Artificial Neural Networks (ANNs) forecasting models for the daily USD/EUR and USD/GBP exchange rates Two volatility indices are used. First; the realized volatility, which is based on intra-daily data, and second the GARCH volatility. They are applied into the model in two ways. Firstly, the lagged volatility index is added to the model. Secondly, some levels for the volatility are defined and the time series are partitioned according to the level of volatility, and then different models of exchange rate forecasting are built for each level of volatility. The forecasting results demonstrate that the models with low and middle volatility are not preferred to the model without volatility index. However, in case of high volatility, the level models improve forecasting power. This means that high volatility provides new information for foreign exchange market. JEL Classification: F31, F37, C63
کلیدواژه‌های انگلیسی مقاله Exchange Rate, Forecasting, neural network, Volatility
نویسندگان مقاله حسن درگاهی |
دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

رضا انصاری |


نشانی اینترنتی http://jte.ut.ac.ir/article_20050_68153eeee82cf3a43580232cac7995d2.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/689/article-689-273067.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