نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده اقتصاد دانشگاه تهران

2 دانشجوی دکترای اقتصاد دانشگاه علامه طباطبایی

چکیده

پیش‌بینی نرخ‌های ارز یکی از مسائل مهم مالی است که به خاطر مشکلات ذاتی و کاربردهای عملی آن توجه زیادی را به خود جلب کرده است. روش‌های تجزیه و تحلیل سری‌های زمانی به طور سنتی بر دو مفهوم مانایی و خطی بودن بنیان نهاده شده‌اند. اما در مواردی که پویایی سیستم ویژگی غیر خطی بالایی را نشان می‌دهد، عملکرد این مدل‌های سنتی عمدتاً ضعیف می‌باشد. از طرف دیگر شبکه‌های عصبی مصنوعی و تبدیل موجک توانایی بالقوه خوبی برای پیش‌بینی سری‌های زمانی از خود نشان داده‌‌اند. از این‌رو در این مقاله روش پیش‌بینی ارائه می‌شود تا قدرت شبکه‌های عصبی و تبدیل موجک را با هم ترکیب می‌کند. در این روش نرخ‌های ارز اصلی که باید پیش‌بینی شوند، در ابتدا با استفاده از تکنیک موجک به مؤلفه‌های مقیاسی متفاوتی تجزیه می‌شوند. در مرحله بعد تکنیک شبکه‌های عصبی برای مدل‌بندی هر کدام از مؤلفه‌های سری‌های زمانی بکار گرفته می‌شود و پیش‌بینی نهایی سری‌های زمانی اصلی با ترکیب پیش‌بینی این مؤلفه‌ها بدست می‌آید. این روش برای پیش‌بینی یک و ده گام به جلوی نرخ‌های ارز روزانه بکار گرفته می‌شود. نتایج نشان می‌دهد که عملکرد این روش پیشنهادی در مقایسه با مدل شبکه عصبی و مدل ARIMA در پیش‌بینی‌‌ها از یک گام تا 5 گام به جلو بهتر است. 

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting Exchange Rates using Neural Networks and Wavelet Transformation

نویسندگان [English]

  • Hosain Abbasi Nejad 1
  • Ahmad Mohammadi 2

1 Associate Professor, Faculty of Economics, University of Tehran

2 PhD student in Economics, Allameh Tabatabaei University

چکیده [English]

Forecasting currency exchange rates is an important financial problem that has received a great deal of attention especially because of its intrinsic difficulty and practical applications. The methods used for time series analyses are conventionally based on the concepts of stationarity and linearity. However, for cases in which the system dynamics are highly nonlinear, the performance of traditional models is very poor. On the other hand, artificial neural networks and wavelet 
transformation have demonstrated great potential for time series forecasting. Therefore in this thesis we propose a forecasting approach which combines the strengths of neural networks and wavelet transformation. In this approach the original exchange rates to be forecasted is first decomposed into various scale components using wavelet transformation. In the next step neural network techniques is applied for modeling components of the decomposed series. The final forecast of the original series is obtained by combining the components series forecasts. This approach is used for forecasting one-and ten-step ahead forecasts of daily exchange rates and its performance is compared whit those of ARIMA and neural network models. Results show that performance of the proposed method in two and five-step ahead forecasting is better as compared to those of other models.
 

کلیدواژه‌ها [English]

  • Exchange Rate Forecasting
  • Neural Networks
  • Wavelet Transformation

منابع

الف- فارسی

1 ـ         پیترز تری و جکی ویلیامز، تبدیل فوریه و کاربردهای آن در مهندسی پزشکی، دکتر سید کمال الدین ستاره‌دان و دکتر حمید بهنام، مؤسسه علمی فرهنگی نص، تهران، بهار1383.

2 ـ                              منهاج، محمد باقر، هوش محاسبات، مبانی شبکه‌های عصبی، مرکز نشر پروفسور حسابی، ج1، تهران، 1377.

ب- لاتین

3 ـ       Boothe، P. and Glassman، D. "The Statical Distribution of Exchange Rates"،Journal of International Economic، 1987، 22، 297-319.

4 ـ       Cottrell، M.، Girard، B.، Girard، Y.، Mangeas، M.، Muller، C. "Neural modeling for time series: a statistical stepwise method"، IEEE Transactions on Neural Networks، 1995، 6 (6)، 1355–1364.

5 ـ       Daubechies، I."The Wavelet Transform،Time-Frequency Localization and Signal Analysis"، IEEE Transactions on Information Theory، 1990، vol. 36، no. 5، 961-1005.

6 ـ       El Shazly، M. R، et al. "Forecasting Currency Prices using a Genetically Evolved Neural Network Architecture"، International Review of Financial Analysis، 1999، 8: 1، 67-72

7 ـ       Graps، A. "An introduction to Wavelets"، IEEE Computational Science and Engineering، summer 1995، vol. 2، num. 2.

8 ـ       Hornik، K.، Stinchcombe، M.، White، H. "Multilayer feedforward networks are universal approximators"، Neural Networks، 1989، 2، 359–366.

9 ـ       Kilian، L. and Taylor، M. P. "Why Is It So Difficult to Beat The Random Walk Forecast of Exchange Rates?" In: European Central Bank Working Paper Series، WP، 2001، No. 88، November.

10 ـ    Kingdon، J.، & Feldman، K. "Genetic Algorithms and some Applications in Finance"، Journal of Applied and Mathematical Finance، 1995، 1(1).

11 ـ    Liang، Y.، and Page، E. W. "Multiresolution Learning Paradigm and Signal Predicting"، IEEE Transaction on Signal Processing، 1997، 45 (22)، 2858-2864.

12 ـ    Lisi، F. and Schiavo، R. A. "A Caparison between Neural Networks and Chaotic Models for Exchange Rate Prediction"، Computational Statistic and Data Analysis، 1999، 30، 87-102.

13 ـ    Lubecke، H. T.، et al. "Combining Foreign Exchange Rate Forecasts Using Neural Networks"، Global Finance Journal، 1998، 9(1).

14 ـ    Malat، S. "A theory for multiresolution signal decomposition: The wavelet representation"، IEEE Transactions on Pattern Analysis and Machine Intelligence، 1989، 11(7)، 647-693.

15 ـ    Meese، R. A and Rogoff، K. "Empirical Exchange Rate Model of Seventies: Do they fit out of sample?"، Journal of International Economic، 1983، 14، 674-693.

16 ـ    Mitra، S. & Mitra، A. "Modeling exchange rates using Wavelet decomposed genetic neural networks"، Statical Methodology، 2005.

17 ـ    Ramsey، B. J. Wavelets in Economics and Finance: Past and Future، C.V.StarrCenter for Applied Economics، Department of Economics، Faculty of Arts and Science، New York University، March 2002.

18 ـ    Ramsey، J. B.، and Lampart، C.، (1998a). "The Decomposition of Economic Relationships by Time Scale Using Wavelets: Expenditure and Income"، Studies in Nonlinear Dynamics and Econometrics، 1998a، 3، No. 4، 23-42.

19 ـ    Ramsey، J. B.، Zaslavsky، G.، and Usikov، D. "An Analysis ofU. S. Stock Price Behavior Using Wavelets"، Fractals، 1995، Vol. 3، No. 2، 377-389.

20 ـ    Ramsey، J. B.، and Anderson، H. "U. S. and Canadian industrial production indices as coupled oscillators"، Journal of Econ. Dynamics and Control، 2002، 26، 33-67.

21 ـ    Ramsey، J. B.، and Lampart، C. "The Decomposition of Economic Relationships by Time Scale Using Wavelets: Money and Income"، Macroeconomic Dynamics، 1998، 2، 49-71.

22 ـ    Shin، T. & Han، I. "Optimal signal multi resolution by genetic algorithm to support artificial neural networks for exchange rate forecasting"، Expert Systems with Applications، 2000، 18، 257-269.

23 ـ    Weignd، A. S.، Hubermann، B. A. and Rumelhart، D. E.. "Predicting Sunspots and Exchange Rates with Connectionist Networks"، in: M. Casadagli، s. Eubank (Eds)، Non-linear Modeling and Forecasting، 1992، 395-432، Redwood city، CA: Addison-Welsaey.

24 ـ    Zhang، G. et al. Forecasting with Artificial Neural Networks: The state of art، International of Forecasting، 1998، 14، 35-62.