2-1-4-2. نظامهای ارزی میانه…………………………………… 24
2-1-4-3. نظامهای ارزی میخکوب شده نرم…………………………………… 25
2-1-4-4. نظامهای ارزی میخکوب سخت…………………………………….. 27
2-1-5. دیدگاههای مختلف در ادبیات نرخ ارز…………………………………… 28
2-1-5-1. دیدگاه سنتی نرخ ارز…………………………………… 28
الف. روش کششها …………………………………..28
ب. الگوی برابری قدرت خرید ( )…………………………………… 30
ج. الگوی ماندل – فلمینگ ( )…………………………………… 32
2-1-5-2. دیدگاه جدید دارایی……………………………………. 34
الف. الگوهای پولی تعیین نرخ ارز…………………………………… 34
ب. الگوی تعادل پورتفولیو…………………………………… 37
2-2. مطالعات انجام شده………………………………….. 38
2-2-1. مطالعات خارجی……………………………………. 38
2-2-2. مطالعات داخلی……………………………………. 46
2-3. مروری بر تحولات ارزی ایران…………………………………… 48
2-3-1. تحولات ارزی تا زمان وقوع انقلاب اسلامی……………………………………. 48
2-3-2. تحولات ارزی پس از وقوع انقلاب اسلامی……………………………………. 50
فصل سوم: روش پژوهش
3-1. مقدمه…………………………………… 55
3-2. حدود پژوهش و روش جمعآوری دادهها و اطلاعات…………………………… 55
3-3. پیش بینی……………………………………. 56
3-4. الگوهای پیشبینی سریهای زمانی…………………………………… 57
3-4-1. الگوی خودرگرسیون میانگین متحرک انباشته ( )………………………… 58
3-4-1-1. تاریخچه خودرگرسیون میانگین متحرک انباشته…………………………. 58
3-4-1-2. ویژگیهای روش خودرگرسیون میانگین متحرک انباشته………………… 59
3-4-1-3. الگوسازی ، و ……………………………………. 60
3-4-1-4. الگوی خودرگرسیون میانگین متحرک انباشته……………………….. 62
3-4-1-5. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته………63
3-4-2. الگوهای شبکههای عصبی مصنوعی ( )…………………………………… 64
3-4-2-1. تاریخچه شبکههای عصبی مصنوعی……………………………………. 64
3-4-2-2. مبانی شبکههای عصبی مصنوعی……………………………………. 65
3-4-2-3. مزیتها و معایب شبکههای عصبی مصنوعی……………………………. 66
3-4-2-4. ساختار شبکه های عصبی مصنوعی…………………………………… 66
3-4-2-5. دسته بندی داده ها………………………………….. 68
3-4-2-6. واحدهای پردازش…………………………………….. 69
3-4-2-7. انواع توابع فعالسازی (تبدیل)…………………………………… 69
3-4-2-8. انواع شبکه های عصبی……………………………………. 71
3-4-2-9. مراحل اساسی ساخت یکشبکه عصبی مصنوعی…………… 74
3-4-2-10. الگوریتمهای آموزش شبکه های عصبی مصنوعی…………….. 75
3-4-2-11. شبکه های پرسپترون چند لایه ( )…………………………………… 76
3-4-2-12. معیارهای خطا………………………………….. 79
3-4-3. مفاهیم فازی……………………………………. 80
3-4-3-1. تاریخچه نظریه فازی……………………………………. 80
3-4-3-2. مجموعه های فازی……………………………………. 81
3-4-3-3. عملگرهای فازی……………………………………. 82
3-4-3-4. اصل گسترش در مجموعه های فازی……………………………………. 82
3-4-3-5. عدد فازی……………………………………. 83
3-4-3-6. مبانی رگرسیون فازی……………………………………. 85
3-5. الگوی هوش محاسباتی ترکیبی……………………………………. 87
فصل چهارم: یافتههای پژوهش
4-1. مقدمه…………………………………… 96
4-2. مجموعهی داده ها …………………………………..96
4-3. آمادهسازی داده های ورودی……………………………………. 97
4-4. برازش الگوی خودرگرسیون میانگین متحرک انباشته…………….. 98
4-5. طراحی و آموزش یک شبکه عصبی مصنوعی……………………. 105
4-5-1. انتخاب نوع شبکه…………………………………… 106
4-5-2. تعیین تعداد لایه ها …………………………………..106
4-5-3. تعیین تعداد نرونهای هر لایه…………………………………… 107
4-5-4. تعیین توابع فعالسازی……………………………………. 110
4-5-5. تعیین الگوریتم آموزش…………………………………….. 110
4-5-6. مجموعههای آموزش و آزمون…………………………………… 111
4-5-7. معیار سنجش عملکرد…………………………………… 111
4-6. فازیسازی الگوی طراحی شده…………………………………… 113
4-7. فازیسازی تجدید نظر شده و نهایی سازی مقادیر ضرایب…………… 117
4-8. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها…………….. 118
4-9. آزمون فرضیههای پژوهش…………………………………….. 119
فصل پنجم: خلاصه، نتیجهگیری و پیشنهادها
5-1. خلاصه و نتیجه گیری……………………………………. 122
5-2. پیشنهادها …………………………………..123
منابع…………………………………… 124
پیوست……………………………………. 132
چکیده:
پیشبینی از ابزارها و راهکارهای مؤثر به منظور برنامهریزی و تدوین روشهای مالی است. دقت پیشبینی از مهمترین عوامل مؤثر در انتخاب روش پیشبینی است. امروزه با وجود روشهای متعدد پیشبینی، هنوز پیشبینی 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 سری های زمانی هستند. مهمترین محدودیت آنها پیش فرض خطی بودن الگو است. شبكه های عصبی مصنوعی از جمله مهمترین و دقیق ترین روشهای حال حاضر جهت الگو سازی غیرخطی داده ها هستند. اما با وجود تمامی مزیت های شبکه های عصبی، این گونه از شبکه ها را نمی توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیشبینی با دادههای کم است. امّا عملکرد آنها در حالت کلی چندان رضایت بخش نیست. بنابراین، در پژوهش حاضر از شبکه های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت های خطی و تعداد داده های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل 115 دادهی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازهگیری عملکرد پیشبینی الگوی ارایه 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 پیشبینی نرخ ارز (دلار در مقابل ریال) ارایه میدهد.
فصل یکم: مقدمه و کلیات
مقدمه:
پیشبینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامهریزیهای 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 بینالمللی، نقش تعیینکنندهای در سیاستگذاریهای اقتصادی ایفا میکند. تغییرات نرخ ارز، بخشهای مختلف اقتصاد یک کشور را تحت تأثیر قرار میدهد. بنابراین، الگوسازی و پیشبینی روند آتی این متغیر برای ارایه سیاستها و رهنمودهای اقتصادی امری ضروری به نظر میرسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا میکند. 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 میتواند 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 پیشبینی نرخهای ارز پرداخته است.
بررسی ادبیات موضوع مربوط به پیشبینی در بازارهای مالی نشاندهندهی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیشبینی بوده و پیشبینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).
بهکارگیری روشهای ترکیبی یا ترکیب روشهای مختلف یک راه متداول به منظور رفع محدودیتهای روشهای تکی و بهبود دقت پیشبینیها است. ایدهی اساسی در ترکیب روشها بر این اساس استوار است که هیچ یک از روشهای موجود، یک روش جامع برای پیشبینی 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 استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).
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 پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه میشود.
1-1- بیان مسأله
پیشبینی از ابزارها و راهکارهای مؤثر به منظور برنامهریزی و تدوین روشهای مالی است. دقت پیشبینی یکی از مهمترین مؤلفههای مؤثر در انتخاب روش پیشبینی است. پیشبینی متغیرهای اقتصادی به دو صورت پیشبینی کیفی[1] و پیشبینی کمی[2] صورت میپذیرد. پیشبینی کیفی به تجربه و تواناییهای افراد و پیشبینی کمی به تابع توزیع احتمال هر پدیده بستگی دارد. گجراتی[3] پیشبینی را بخش مهمی از تحلیلهای اقتصادسنجی میداند و برای برخی از پژوهشگران مهمترین قسمت از علم اقتصادسنجی، پیشبینی است. فریدمن[4] معتقد است تنها آزمون مناسب برای اعتبار یک الگو، مقایسهی پیشبینی آن با تجربه است. پیندایک و روبینفلد[5] هدف اصلی از ساختن الگوهای رگرسیون را پیشبینی میدانند.
نرخ ارز یک متغیر اقتصادی است که پیشبینی آن مورد توجهی بسیاری از فعالان اقتصادی است. این فعالان اقتصادی را میتوان به سه گروه تقسیم کرد. دستهی اول سیاستگذاران اقتصادی و بانکهای مرکزی هستند. تحت یک نظام ارزی شناور بانکهای مرکزی به منظور هموارسازی نوسانات بازار، در بازار ارز مداخله میکنند. دلایل آنها برای این مداخله میتواند شامل نوسانهای بیش از حد معمول نرخ ارز و در نتیجه اثرات آن بر فعالیتهای اقتصادی باشد. بنابراین، پیشبینی نرخ ارز از طرف این گروه لازمهی چنین مداخلهای است. دستهی دوم بنگاههای فعال در زمینه تجارت و سرمایهگذاری مستقیم خارجی هستند که با جهانی شدن اقتصاد، این نوع سرمایهگذاریها و به تبع آن ریسکهای مرتبط با این فعالیتهای بینالمللی افزایش یافته است. از مهمترین ریسکهای مرتبط با این فعالیتها، ریسک مربوط به نرخ ارز است؛ چرا که تغییرات نرخ ارز، درآمد، هزینه و به تبع آن سود بنگاهها را به منظور کسب منفعت بیشتر تحت تأثیر قرار میدهد. در نهایت دستهی سوم سفتهبازان بازار ارز هستند که با توجه به اهمیت این بازار در عرصهی بینالمللی میتوان این گروه را مشتاقترین علاقمندان به پیشبینی نرخ ارز دانست (موسا[6]، 2000).
پیشبینی نرخ ارز برای فعالان و پیشبینیکنندگان در بازار نرخ ارز از اهمیت اساسی برخوردار است. با وجود این، برخی معتقدند که پیشبینی نرخ ارز امکانپذیر نبوده و سیر تکاملی هر نوع نرخ ارزی از فرضیهی بازار کارا ( )[7] تبعیت میکند. براساس این فرضیه، بهترین روش برای پیشبینی نرخ ارز روز آتی، اتکا به نرخ کنونی آن بوده و نرخ ارز واقعی از فرضیهی گام تصادفی ( )[8] پیروی میکند. این بدبینی در پیشبینی نرخ ارز، پس از انتشار مقاله میس و روگوف[9] به وجود آمد. آنان در مطالعه خود نشان دادند که هیچ نوع روش تک معادلهای، برای پیشبینی نرخ ارز، بهتر از روش گام تصادفی نیست. چراکه تمامی روشهای بررسی شده توسط این محققان، روشهایی خطی بوده، در صورتی که این حقیقت توسط بسیاری از محققین پذیرفته شده که تغییرات نرخ ارز، غیرخطی است (پایلبیم[10]، 1998).
نتایج حاصل از بررسی کارا و یا ناکارا بودن بازارهای مالی در ایران نشاندهندهی ناکارا بودن بازار ارز در ایران است (سلامی، 1380).
بهکارگیری روشهای سری زمانی به منظور پیشبینی بازارهای مالی، بهبود تصمیمگیریها و سرمایهگذاریها به ضرورتی انکارناپذیر در دنیای امروز تبدیل شده است. تلاشهای زیادی در چند دههی اخیر به منظور توسعه و بهبود الگوهای پیشبینی سریهای زمانی انجام شده است. یکی از مهمترین و پرکاربردترین الگوهای سریهای زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. این الگوها بهدلیل سادگی در فهم و بهکارگیری، در چند دههی اخیر بسیار مورد توجه بودهاند، اما بهکارگیری آنها در حالت کلی محدود است. مهمترین محدودیت اینگونه الگوها پیش فرض خطی بودن آنها است. بنابراین، الگوهای غیر خطی نمیتوانند توسط الگوی خودرگرسیون میانگین متحرک انباشته محاسبه گردند و به همین دلیل است که برآورد الگوهای خطی، برای مسایل پیچیده دنیای واقعی که بیشتر الگوهای غیرخطی هستند، همیشه رضایتبخش نخواهد بود (خاشعی و بیجاری، 1387).
شبكه های عصبی مصنوعی از جمله مهمترین و دقیق ترین روشهای حال حاضر جهت الگو سازی غیرخطی داده ها هستند. اما با وجود تمامی مزیت های شبکه های عصبی، این گونه از شبکه ها را نمی توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت.
روشهای پیشبینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روشهای مشابه به دادههای کمتری نیاز دارد اما عملکرد آنها همیشه رضایتبخش نیست (خاشعی و بیجاری[11]، 2009).
بنابراین، در پژوهش حاضر از شبکه های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت های خطی و تعداد داده های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و دستیابی به نتایج دقیقتر برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) استفاده میشود.
2-1- پرسش پژوهش
آیا الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوهای خودرگرسیون میانگین متحرک انباشته ( )[1]، شبکههای عصبی مصنوعی ( )[2] و الگوی ترکیبی ) ارایه میدهد؟
3-1- فرضیه های پژوهش
با توجه به پرسش پژوهش سه فرضیه وجود دارد:
1- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی خود رگرسیون میانگین متحرک انباشته ارایه میدهد.
2- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی شبکه عصبی مصنوعی ارایه میدهد.
3- الگوی هوش محاسباتی ترکیبی پیشبینی دقیقتری از نرخ ارز در مقایسه با الگوی ترکیبی ( ) ارایه میدهد.
4-1- اهداف پژوهش
با توجه به اهمیت پیشبینی نرخ ارز، هدف اصلی پژوهش حاضر طراحی یک الگوی هوش محاسباتی ترکیبی برای پیشبینی نرخ ارز در اقتصاد ایران است. در مسیر تحقق این هدف اصلی، برخی دیگر از اهداف فرعی نیز محقق خواهد شد که در زیر به آنها اشاره شده است:
– بررسی و مقایسهی دقت پیشبینی الگوهای هوش محاسباتی ترکیبی و خودرگرسیون میانگین متحرک انباشته در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسهی دقت پیشبینی الگوهای هوش محاسباتی ترکیبی و شبکه عصبی مصنوعی در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسهی دقت پیشبینی الگوی هوش محاسباتی ترکیبی و الگوی ترکیبی ( ) در پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
5-1- روش پژوهش
در پژوهش حاضر به منظور پیشبینی نرخ ارز، یک الگوی ترکیبی جدید با تکیه بر مفاهیم اساسی الگوهای خودرگرسیون میانگین متحرک انباشته، شبکههای عصبی مصنوعی و رگرسیون فازی ارایه میشود. همچنین در الگوی ارایه شده، از شبکه های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت های خطی و تعداد داده های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده میشود.
در الگوی ارایه شده در مرحلهی اول، ابتدا یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو ، بر روی داده های سری زمانی مورد مطالعه برازش می گردد. در مرحلهی دوم، یک شبکه عصبی با استفاده از اطلاعات موجود در باقیمانده های الگوی خودرگرسیون میانگین متحرک انباشته آموزش میبیند.در مرحلهی سوم،نتایج بهدست آمده از مرحلهی یک و دو به منظور الگوسازی تمامی روابط موجود در داده های 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.
در پژوهش حاضر به منظور اندازه گیری عملکرد پیشبینی الگوی ارایه شده از شاخصهای مختلفی مانند میانگین مطلق خطا ( )[1]، میانگین مربع خطا ( )[2]، مجموع مربع خطا ( )[3]، ریشه میانگین مربع خطا ( )[4]، میانگین درصد مطلق خطا ( )[5] و میانگین خطا ( )[6] استفاده میشود.
[1]. Mean Absolut Error
[2]. Mean Squared Error
[3]. Sum Squared Error
[4]. Root Mean Squared Error
[5]. Mean Absolute Persentage Error
[6]. Mean Error
[1]. Auto – Regressive Integrated Moving Average
[2]. Artificial Neural Network