نوع مقاله : مقاله پژوهشی

نویسندگان

• حسین عباسی‌نژاد ¹
• احمد محمدی ²

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

• تبدیل موجک
• شبکه‌‌های عصبی
• پیش‌بینی نرخ ارز

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