نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشکده علوم اجتماعی،دانشگاه محقق اردبیلی، اردبیل، ایران. (نویسنده مسئول)

2 استادیار دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

3 دانشجوی کارشناسی ارشد دانشکده علوم اجتماعی،دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

با توجه به نوسانات زیاد نرخ ارز در ایران پیش‌بینی آن یکی از چالش‌های مهم برای گروه‌های مختلف در کشور می‌باشد. این مطالعه به بررسی عملکرد شش شبکه‌ی عصبی مصنوعی مختلف ایستا و پویا برای پیش­بینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری داده‌های فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است. یافته‌های پژوهش حاکی از این است تعداد نرون‌ها اثر منظمی روی بهتر شدن عملکرد شبکه‌ها نداشته و از طرفی بهترین نتایج در وقفه‌های سه و چهار اتفاق افتاده است. نتایج نشان می‌دهد که  بهترین عملکرد مربوط به شبکه‌ی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیش‌بینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم داده‌های ورودی ارائه می‌دهد. همچنین دومین عملکرد مناسب مربوط به شبکه­ی ایستای ترکیبی با ساختار ده نرون و دو وقفه می­باشد. با این ملاحظات، سیاست‌گذاران می­توانند با توجه به دسترسی بیشتر و بروزتر به داده­های موثر بر نرخ ارز و با پایش لحظه­ای متغیرها و ورود آنها به مدل جامع طراحی شده با استفاده از این روش، میزان انحراف نرخ ارز پیش­بینی شده توسط مدل و نرخ ارز موجود را مورد بررسی قرار داده و سیاست­های مقتضی را بر این اساس اتخاذ نمایند، به طوری که زیان‌های وارده بر بخش داخلی و خارجی اقتصاد ناشی از شکاف نرخ پیش‌بینی شده و نرخ ارز موجود در حداقل مقدار باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of The Performance of Artificial Neural Network Models for Exchange Rate Prediction in Iran

نویسندگان [English]

  • Abdul Rahim Hashemi Dizaj 1
  • Hatef Haziri Nairi 2
  • Rasool Poorvahdani 3

1 Assistant Professor, Faculty of Social Sciences, Mohaghegh Ardabili University, Ardabil, Iran.

2 Assistant Professor, Faculty of Social Sciences, Mohaghegh Ardabili University, Ardabil, Iran.

3 Master of Management, Faculty of Social Sciences, Mohaghegh Ardabili University, Ardabil, Iran.

چکیده [English]

Given the high exchange rate fluctuations in Iran, its prediction is one of the major issues and challenges for different groups in the country. This study investigates the performance of six different static and dynamic neural networks for forecasting exchange rates using fundamental, technical and hybrid approaches and using seasonal data over the period (1) 2004- (4) 1396 for variables influencing exchange rate including inflation, Liquidity and GDP for the two countries, Iran and the United States. The findings show that the number of neurons did not have a regular effect on the performance of the networks and that the best results occurred at breaks of three and four. The results also show that the best performance of the static neural network is achieved by a technical approach with a structure of sixteen neurons and four interruptions which provides a relatively accurate exchange rate prediction despite the low number of input data.

کلیدواژه‌ها [English]

  • Time Series
  • Currency Forecasting
  • Artificial neural network
  • artificial intelligence
  • . فارسی

    • ابراهیمی، مریم (1392)، پیش­بینی نرخ ارز با استفاده از شبکه­ی عصبی با دو رویکرد تکنیکال و بنیادی، پایان­نامه کارشناسی­ارشد رشته­ی توسعه­ی­اقتصادی، تهران: دانشگاه الزهرا(س).
    • ابراهیمی، مریم و مهدی پدرام (1393)، «بررسی اهمیت و میزان تاثیرگذاری متغیرهای اقتصادی بر نرخ ارز در ایران»، فصلنامه سیاست­گذاری پیشرفت اقتصادی دانشگاه الزهرا (س)، سال دوم، شماره 3، صص 141-168.
    • احسانی­فر، محمد و رضا احتشام­رائی (1394)، «پیش­بینی نرخ ارز در بازار سرمایه با استفاده از مدل­های میانگین متحرک خودرگرسیون انباشته و شبکه­ی عصبی (مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان)»، فصلنامه دانش مالی اوراق بهادار، سال هشتم، شماره 27، صص 35-51.
    • احمدی عمله، الهام (1392)، استفاده از هوش مصنوعی برای تحلیل فنی بازار سهام بر اساس الگوهای نمودارهای شمعی ژاپنی، پایان­نامه کارشناسی­ارشد رشته مهندسی صنایع، یزد: دانشگاه یزد.
    • اصغری اسکوئی، محمدرضا (1381)، «کاربرد شبکه­های عصبی در پیش­بینی سری­های زمانی»، فصلنامه پژوهش­های اقتصادی ایران، سال چهارم، شماره 12، صص 69-96.
    • بهرام پور، پیمان و نیکبخش جوادیان (1393)، «پیش بینی روزانه نرخ جفت ارز پوند/دلار در بازار فارکس با استفاده از شبکه­ی عصبی»، نشریه بین المللی مهندسی صنایع و مدیریت تولید،  جلد بیست و پنجم، شماره 4، صص 377-388.    
    • جلایی اسفندآبادی، سید عبدالمجید؛ حسینی، سید جعفر و حسین نظام آبادی­پور (1391­)، «بررسی جهش پولی نرخ ارز و پیش­بینی آن با شبکه­های عصبی در ایران»، پژوهش­نامه اقتصاد کلان، سال هفتم، شماره 14، صص 35-60.
    • حنفی­زاده، پیام و ابوالفضل جعفری (1389)، «مدل ترکیبی شبکه­های عصبی مصنوعی پیش­خور و خودسازمان­ده کوهونن برای پیش­بینی قیمت سهام»، فصلنامه مطالعات مدیریت صنعتی، سال هشتم، شماره 19، صص 165-187.    
    • خاشعی، مهدی و مهدی بیجاری (1387)، «بهبود عملکرد پیش­بینی های مالی با ترکیب خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه­های عصبی مصنوعی»، فصلنامه پژوهش­های اقتصادی، سال هشتم، شماره 2، صص 83-100.
    • راعی، رضا و میثم محمودی­آذر (1393)، «پیش­بینی بازده آتی بازار سهام با استفاده از مدل­های آریما، شبکه­ی عصبی و نویز زدایی موجک»، فصلنامه مدیریت دارایی و تامین مالی، سال دوم، شماره 2 (پیاپی 5)، صص 1-16. 
    • رستم­زاده، مهدی (1390)، ارزیابی مدل­های تعیین نرخ­ارز با استفاده از الگوریتم­ژنتیک (مطالعه موردی ایران و اتحادیه اروپا) ، رساله دکترای علوم اقتصادی، مازندران: دانشگاه مازندران.
    • زراء­نژاد، منصور؛ فقه­مجیدی، علی و روح الله رضایی (1387)، «پیش­بینی نرخ ارز با استفاده از شبکه­های عصبی مصنوعی و مدل ARIMA»، فصلنامه اقتصاد مقداری (بررسی­های اقتصادی سابق)، سال پنجم، شماره 4، صص 107-130.
    • سالواتوره، دومینیک (1396)، مالیه بین­الملل، ترجمه حمیدرضا ارباب، جلد2، چاپ ششم، تهران: نشر نی.
    • شریف مقدم، شفق و سید ذبیح الله هاشمی (1397)، «پیش بینی نرخ ارز یورو به دلار با تکنیک شبکه­ی عصبی مصنوعی»، مهندسی مالی و مدیریت اوراق بهادار، سال نهم، شماره 37، صص 399-413.  
    • طیبی، سیدکمیل؛ موحدنیا، ناصر و معصومه کاظمینی (­1387­)، «به کارگیری شبکه­های عصبی در پیش‌بینی متغیرهای اقتصادی و مقایسه آن با روش­های اقتصادسنجی: پیش­بینی روند نرخ ارز در ایران»، مجله علمی­پژوهشی شریف، سال بیست و چهارم، شماره 43، صص 99-104.
    • غفاری، مهدی و راحله یوسفی (1390)، «مدل­سازی پیش­بینی قیمت ارز با استفاده از شبکه­های عصبی»، مجله مهندسی مالی و مدیریت اوراق بهادار، سال دوم، شماره 8، صص 99-119.  
    • کیا، سید مصطفی (1397)، شبکه­های عصبی در متلب، چاپ ششم، تهران:  انتشارات دانشگاهی کیان.
    • منهاج، محمدباقر (1397)، مبانی شبکه­های عصبی، جلد1، چاپ دوازدهم، تهران: انتشارات دانشگاه صنعتی امیر کبیر(پلی­تکنیک تهران).
    • موسویان، سید مهدی (1391)، ترکیب مدل شبکه­های عصبی مصنوعی با الگوریتم­ژنتیک به منظور پیش­بینی نرخ ارز و مقایسه آن با مدل­های سری­زمانی ARIMA و GARCH، پایان­نامه کارشناسی­ارشد رشته­ی علوم­اقتصادی، تهران: دانشگاه علامه­طباطبایی.

    2. لاتین

    • Adewole, Adetunji Philip; Adio Taofiki, Akinwale & Akintomide Ayo Bidemi (2011). “Artificial neural network model for forecasting foreign exchange rate”, WCSIT, Vol.1, No.3, pp. 110-118.
    • Galeshchuk, Svitlana (2016). “Neural networks performance in exchange rate prediction”, Neurocomputing, 172, pp. 446-452.
    • Güresen, Erkam; Kayakutlu, Gulgun & Tugrul U.Daim (2011). “Using artificial neural network models in stock market index prediction”, Expert Sys. Appl, 38, pp. 10389-10397.
    • Nag, Ashok & Amit Mitra (2002). “Forecasting daily foreign exchange rates using genetically optimized neural networks”, J. Forecast, Vol. 21, pp. 501–511.
    • Kamruzzaman, Joarder & Ruhul A Sarker (2003). “Forecasting of currency exchange rates using ANN: a case study”, International Conference on Neural Networks and Signal Processing, 2003, Proceedings of the 2003, Nanjing, China.
    • Pacelli, Vincenzo; Bevilacqua, Vitoantonio & Michele Azzollini (2011). “An artificial neural network model to forecast exchange rates”, JILSA, Vol. 3, pp. 57-69.
    • Panda, Chakradhara & V. Narasimhan (2007). “Forecasting exchange rate better with artificial neural network”, Journal of Policy Modeling, Vol. 29, pp. 227–236.
    • Sermpinis, Georgios; Konstantinos, Theofilatos; Andreas, Karathanasopoulos; Efstratios, F.Georgopoulos & Christian Dunis (2013) .“Forecasting foreign exchange rates with adaptive neural networks using radial-basis functions and particle swarm optimization”, European Journal of Operational Research, Vol. 225, pp. 528–540.
    • Wu, Yangao & Jlanwel Gao (2019) “Application of support vector neural network with variational mode decomposition for exchange rate forecasting”, Soft Computing, Vol. 23, No. 16, pp. 6995-7004.
    • Zhang, G.Peter & Min Qi (2005). “Neural Nnetwork Forecasting for Seasonal and Trend Time Series; European”, Journal of Operational Research, 160, pp. 501–514.
    • Zhang, Gioqinang & Michael Y. Hu (1998). “Neural network forecasting of the British pound/US dollar exchange rate”, Omega, Int. J. MgmtSci, Vol. 26, No. 4, pp. 495-506.
CAPTCHA Image