Get a site

پایان نامه طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران

پایان نامه طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران

پایان نامه رشته علوم اقتصادی

دانشکده علوم اقتصادی و اداری

پایان نامه علوم اقتصادی

موضوع:

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

استاد راهنما:

دکتر امیر منصور طهرانچیان


(در فایل دانلودی نام نویسنده موجود است)
فهرست مطالب:
فصل یکم: مقدمه و کلیات
مقدمه. ۳
۱-۱. بیان مساله. ۴
۱-۲. پرسش پژوهش. ۸
۱-۳. فرضیه ­های پژوهش. ۸
۱-۴. اهداف پژوهش. ۹
۱-۵. روش پژوهش. ۹
۱-۶. تعریف واژگان کلیدی ۱۱
۱-۷. سازماندهی پژوهش. ۱۱
فصل دوم: ادبیات موضوع
مقدمه. ۱۳
۲-۱. مبانی نظری ۱۳
۲-۱-۱. تحلیل فنی ۱۵
۲-۱-۱-۱. مبانی تحلیل فنی ۱۶
۲-۱-۱-۲. پایه و اساس تحلیل فنی ۱۷
۲-۱-۲. تحلیل بنیادی ۱۸
۲-۱-۲-۱. نقاط ضعف تحلیل بنیادی ۱۹
۲-۱-۳. فرضیه گام تصادفی ۲۰
۲-۱-۴. انواع نظام­های ارزی ۲۰
۲-۱-۴-۱. نظام­های ارزی شناور. ۲۲
۲-۱-۴-۲. نظام­های ارزی میانه. ۲۴
۲-۱-۴-۳. نظام­های ارزی میخکوب شده نرم. ۲۵
۲-۱-۴-۴. نظام­های ارزی میخکوب سخت. ۲۷
۲-۱-۵. دیدگاه­های مختلف در ادبیات نرخ ارز. ۲۸
۲-۱-۵-۱. دیدگاه سنتی نرخ ارز. ۲۸
الف. روش کشش­ها ۲۸
ب. الگوی برابری قدرت خرید ( ). ۳۰
ج. الگوی ماندل – فلمینگ ( ). ۳۲
۲-۱-۵-۲. دیدگاه جدید دارایی ۳۴
الف. الگوهای پولی تعیین نرخ ارز. ۳۴
ب. الگوی تعادل پورتفولیو. ۳۷
۲-۲. مطالعات انجام شده ۳۸
۲-۲-۱. مطالعات خارجی ۳۸
۲-۲-۲. مطالعات داخلی ۴۶
۲-۳. مروری بر تحولات ارزی ایران. ۴۸
۲-۳-۱. تحولات ارزی تا زمان وقوع انقلاب اسلامی ۴۸
۲-۳-۲. تحولات ارزی پس از وقوع انقلاب اسلامی ۵۰
فصل سوم: روش پژوهش
۳-۱. مقدمه. ۵۵
۳-۲. حدود پژوهش و روش جمع­آوری داده­ ها و اطلاعات ۵۵
۳-۳. پیش بینی ۵۶
۳-۴. الگوهای پیش ­بینی سری­های زمانی ۵۷
۳-۴-۱. الگوی خودرگرسیون میانگین متحرک انباشته ( ). ۵۸
۳-۴-۱-۱. تاریخچه خودرگرسیون میانگین متحرک انباشته. ۵۸
۳-۴-۱-۲. ویژگی­های روش خودرگرسیون میانگین متحرک انباشته. ۵۹
۳-۴-۱-۳. الگوسازی ،  و ۶۰
۳-۴-۱-۴. الگوی خودرگرسیون میانگین متحرک انباشته. ۶۲
۳-۴-۱-۵. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته. ۶۳
۳-۴-۲. الگوهای شبکه ­های عصبی مصنوعی ( ). ۶۴
۳-۴-۲-۱. تاریخچه شبکه ­های عصبی مصنوعی ۶۴
۳-۴-۲-۲. مبانی شبکه ­های عصبی مصنوعی ۶۵
۳-۴-۲-۳. مزیت­ها و معایب شبکه ­های عصبی مصنوعی ۶۶
۳-۴-۲-۴. ساختار شبکه ­های عصبی مصنوعی ۶۶
۳-۴-۲-۵. دسته­بندی داده­ ها ۶۸
۳-۴-۲-۶. واحدهای پردازش. ۶۹
۳-۴-۲-۷. انواع توابع فعال­سازی (تبدیل). ۶۹
۳-۴-۲-۸. انواع شبکه ­های عصبی ۷۱
۳-۴-۲-۹. مراحل اساسی ساخت یک شبکه عصبی مصنوعی ۷۴
۳-۴-۲-۱۰. الگوریتم­های آموزش شبکه ­های عصبی مصنوعی ۷۵
۳-۴-۲-۱۱. شبکه ­های پرسپترون چند لایه ( ). ۷۶
۳-۴-۲-۱۲. معیارهای خطا ۷۹
۳-۴-۳. مفاهیم فازی ۸۰
۳-۴-۳-۱. تاریخچه نظریه فازی ۸۰
۳-۴-۳-۲. مجموعه­های فازی ۸۱
۳-۴-۳-۳. عملگرهای فازی ۸۲
۳-۴-۳-۴. اصل گسترش در مجموعه­های فازی ۸۲
۳-۴-۳-۵. عدد فازی ۸۳
۳-۴-۳-۶. مبانی رگرسیون فازی ۸۵
۳-۵. الگوی هوش محاسباتی ترکیبی ۸۷
فصل چهارم: یافته­ های پژوهش
۴-۱. مقدمه. ۹۶
۴-۲. مجموعه­ داده­ ها ۹۶
۴-۳. آماده­سازی داده­های ورودی ۹۷
۴-۴. برازش الگوی خودرگرسیون میانگین متحرک انباشته. ۹۸
۴-۵. طراحی و آموزش یک شبکه عصبی مصنوعی ۱۰۵
۴-۵-۱. انتخاب نوع شبکه. ۱۰۶
۴-۵-۲. تعیین تعداد لایه­ها ۱۰۶
۴-۵-۳. تعیین تعداد نرون­های هر لایه. ۱۰۷
۴-۵-۴. تعیین توابع فعال­سازی ۱۱۰
۴-۵-۵. تعیین الگوریتم آموزش. ۱۱۰
۴-۵-۶. مجموعه­های آموزش و آزمون. ۱۱۱
۴-۵-۷. معیار سنجش عملکرد. ۱۱۱
۴-۶. فازی­سازی الگوی  طراحی شده. ۱۱۳
۴-۷. فازی­سازی تجدید نظر شده و نهایی سازی مقادیر ضرایب ۱۱۷
۴-۸. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها ۱۱۸
۴-۹. آزمون فرضیه ­های پژوهش. ۱۱۹
فصل پنجم: خلاصه، نتیجه ­گیری و پیشنهادها
۵-۱. خلاصه و نتیجه ­گیری ۱۲۲
۵-۲. پیشنهادها ۱۲۳
منابع. ۱۲۴
پیوست ۱۳۲
فهرست شکل­ها
شکل (۲-۱): روش­های پیش ­بینی نرخ ارز. ۱۵
شکل (۳-۱): نمایش لایه­ها در شبکه عصبی مصنوعی ۶۷
شکل (۳-۲): ساختار کلی یک پرسپترون چند لایه. ۷۷
شکل (۴-۱): نرخ ارز مربوط به ۱۲ فروردین ماه ۱۳۹۱ تا ۲۱ خرداد ماه ۱۳۹۳. ۹۷
شکل (۴-۲): داده­های نرمال شده نرخ ارز مربوط به ۱۲ فروردین ماه ۱۳۹۱ تا ۲۱ خرداد ماه ۱۳۹۳. ۹۸
شکل (۴-۳): مقادیر واقعی و پیش ­بینی شده الگوی ۱۰۴
شکل (۴-۴): باقیمانده­های الگوی . ۱۰۵
شکل (۴-۵): عملکرد  شبکه طراحی شده در داده­های آزمون و آموزش. ۱۰۹
شکل (۴-۶): ساختار نهایی  طراحی شده ۱۱۲
شکل (۴-۷): مقادیر واقعی و برآورد شده توسط  طراحی شده ۱۱۳
شکل (۴-۸): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده اولیه) ۱۱۶
شکل (۴-۹): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده نهایی) ۱۱
فهرست جدول­ها
جدول (۲-۱): مزیت­ها و معایب نظام­های ارزی ۲۱
جدول (۳-۱): متداول­ترین توابع فعال­سازی شبکه ­های عصبی مصنوعی ۷۰
جدول (۴-۱): تقسیم ­بندی داده­ ها به داده­های آموزش و آزمون. ۹۹
جدول (۴-۲): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار در مقابل ریال) ۱۰۰
جدول (۴-۳): مقادیر آکائیک در الگوی برآورد شده . ۱۰۱
جدول (۴-۴): نتایج تخمین الگوی ۱۰۷
جدول (۴-۵): معیارهای عملکرد الگوهای  و ۱۰۳
جدول (۴-۶): بررسی توابع فعال­سازی ۱۱۰
جدول (۴-۷): تقسیم ­بندی داده­ ها به داده­های آموزش و آزمون. ۱۱۱
جدول (۴-۸): مقادیر مربوط به وزن­ها و بایاس­های  طراحی شده ۱۱۲
جدول (۴-۹): معیارهای عملکرد الگوی  طراحی شده ۱۱۳
جدول (۴-۱۰): مقادیر واقعی و حد پایین و بالای آن­ها (الگوی فازی­سازی شده نهایی) ۱۱۸
جدول (۴-۱۱): معیارهای عملکرد الگوی هوش محاسباتی ترکیبی ۱۱۸
جدول (۴-۱۲): نتایج به­دست آمده از الگوها ۱۱
فهرست علایم و اختصارات
میانگین مطلق خطا ( )
میانگین مربع خطا ( )
مجموع مربع خطا ( )
ریشه میانگین مربع خطا ( )
میانگین درصد مطلق خطا ( ) .
میانگین خطا ( ).
چکیده
پیش ­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه ­ریزی و تدوین روش­های مالی است. دقت پیش ­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش ­بینی است. امروزه با وجود روش­های متعدد پیش ­بینی، هنوز پیش ­بینی دقیق نرخ ارز کار چندان ساده­ای نیست و اکثر محققان درصدد به­کارگیری و ترکیب روش­های متفاوت به منظور دستیابی به نتایج دقیق­تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم­ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم­ترین محدودیت آن­ها پیش‌فرض خطی‌بودن الگو است. شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش ­بینی با داده­های کم است. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده ‌شده است. اطلاعات استفاده شده در این پژوهش شامل ۱۱۵ داده­ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ ۱۲/۰۱/۱۳۹۱ تا ۲۱/۰۳/۱۳۹۳ است. در پژوهش حاضر به منظور اندازه ­گیری عملکرد پیش ­بینی الگوی ارائه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان می­دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق­تری در پیش ­بینی نرخ ارز (دلار در مقابل ریال) ارائه می­دهد
مقدمه
پیش ­بینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه ­ریزی­های اقتصادی محسوب می­شود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخش­های مختلف داخلی و خارجی اقتصادی یک کشور، هم­چون وضعیت تراز ­پرداخت­ها و قدرت رقابت بین ­المللی، نقش تعیین­کننده ­ای در سیاست­گذاری­های اقتصادی ایفا می­ کند. تغییرات نرخ ارز، بخش­های مختلف اقتصاد یک کشور را تحت تأثیر قرار می­دهد. بنابراین، الگوسازی و پیش ­بینی روند آتی این متغیر برای ارائه سیاست­ها و رهنمود­های اقتصادی امری ضروری به نظر می­رسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا می­ کند. از آن­جا که قسمت اعظم درآمد­های ارزی کشور از طریق فروش نفت خام تأمین می­شود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز می ­تواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازار­های داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگو­سازی و پیش ­بینی نرخ­های ارز پرداخته است.
بررسی ادبیات موضوع مربوط به پیش ­بینی در بازارهای مالی نشان­دهنده­ی این مطلب است که بررسی رفتار نرخ ارز با بهره گرفتن از یک الگو به سختی قابل پیش ­بینی بوده و پیش ­بینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[۱]، ۲۰۰۷).
به­کارگیری روش­های ترکیبی یا ترکیب روش­های مختلف یک راه متداول به منظور رفع محدودیت­های روش­های تکی و بهبود دقت پیش ­بینی­ها است. ایده­ی اساسی در ترکیب روش­ها بر این اساس استوار است که هیچ یک از روش­های موجود، یک روش جامع برای پیش ­بینی نبوده و قابلیت به­کارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روش­های مختلف می­توان نقاط ضعف یک روش را با بهره گرفتن از نقاط قوت روش دیگر بهبود بخشید (چن[۲]، ۱۹۹۶).
بنابراین، در این پژوهش با به­کارگیری مفاهیم پایه­ای و مزیت­های منحصر به فرد هر یک از الگو­های خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیق­تر برای پیش ­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارائه می­شود.
تعداد صفحه : ۱۴۱
قیمت : ۱۴۷۰۰ تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        ****       [email protected]

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  **** ***