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