عنوان پایان‌نامه
پیش بینی دامنه ی تغییرات قیمت طلا با استفاده از مدل تلفیقی ARIMAشبکه عصبی نوع تحفیق
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58904
- تاریخ دفاع
- ۲۷ شهریور ۱۳۹۱
- دانشجو
- محمدرضا رحیمی
- استاد راهنما
- شاپور محمدی
- چکیده
- پیش بینی قیمت همواره یکی از چالش برانگیزترین مسائل پیش‌روی سفته‌بازان، معامله‌گران، کارگزاران و ... می‌باشد. از طرفی در تحلیل فاصله‌ای فرض می‌شود که مشاهدات و تخمین‌ها در دنیای واقعی معمولاً کامل و مطمئن نمی‌باشند، بنابراین برای افزایش دقت، باید داده‌ها را به صورت فاصله‌هایی که کمیت‌های واقعی را در بر می‌گیرند، بیان نمود. به منظور مدل‌سازی سر‌های زمانی مانند قیمت، روش های متفاوتی مورد استفاده قرار می‌گیرند. مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینز شناخته می‌شود، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی در طول سه دهه‌ی گذشته بوده است، اما پیش‌فرض اصلی آن این است که رابطه‌ی خطی میان ارزش‌های سری بر قرار است بنابراین رابطه‌های غیرخطی بوسیله‌ی مدل خودرگرسیو میانگین متحرک انباشته نمی‌توانند خوب توضیح داده شوند. یکی دیگر از روش‌های مورد استفاده در پیش‌بینی سری‌های زمانی شبکه‌ی عصبی است که توان تخمین روابط غیرخطی مختلفی را دارا می‌باشد (اصطلاحاً به شبکه‌ی عصبی تخمین زننده‌ی همگانی می‌گویند). اما استفاده از شبکه، طبق ادبیات تحقیق در روابط خطی نتایج پیچیده‌ای در بر داشته است. اما از آن¬جا که دانستن الگوی داده¬ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، این ایده در ذهن ایجاد می¬گردد که تلفیق مدل¬های خطی و غیرخطی می¬تواند منجر به افزایش دقت پیش¬بینی گردد. از این¬رو در این تحقیق بخش خطی را بوسیله¬ی مدل ARIMA پیش¬بینی کرده، آنگاه پسماند¬های غیر خطی را بوسیله¬ی شبکه ی عصبی پیش خور مدل سازی نموده و پیش¬بینی حاصل از آن را به مدل ARIMA ، به منظور پیش بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش¬رو) اضافه می نماییم. نتایج بررسی دقت مدل تلفیقی نسبت بر هر یک از مدل های ARIMA و شبکه ی عصبی با استفاده از آزمون های مقایسه زوجی، دایبولد- ماریانو و آماره ی هاروی-نیوبولد-لیبورن و دو معیار MSE و MAE دال بر عملکرد بهتر مدل تلفیقی است.
- Abstract
- Price forecasting is one of the most challenging issues that the speculators, traders and brokers are faced with. On the other hand in interval analysis it is supposed that observations and estimations in the real world are not complete and reliable so to increase the accuracy we should describe the data as the intervals that includes real quantities. Various methods are used in order to model the time series such as price. Autoregressive integration moving average (ARIMA), which is known as box-Jenkins method is one of the most commonly used models in forecasting of time series during the past three decades. But the main assumption is that there is a linear relationship between the values of the series therefore nonlinear relationships cannot be explained completely by using autoregressive integration moving average (ARIMA). Another method in time series forecasting is neural network which can estimate the various nonlinear relationship (called neural network universal estimating) but according to the literature, using network will have complicated results. Since it is difficult to understand the linear and nonlinear data pattern in reality, this idea will come to mind that the combination of linear and nonlinear models could increase the accuracy of forecasting. So in this research the linear part will be estimated by ARIMA and then the non-linear residuals will be modeled by neural network and finally the predicted result will be added to ARIMA in order to forecast the low, high and close price of gold .comparing the accuracy of the hybrid model to ARIMA and neural network by pair compared, Diebold-Mariano and Harvey-Newbold –Leybourn test and two criteria (MSE and MAE) showed that the hybrid model presented better performance.
