مقدمه. 3

1-1. بیان مساله. 4

1-2. پرسش پژوهش… 8

1-3. فرضیه ­های پژوهش… 8

1-4. اهداف پژوهش… 9

1-5. روش پژوهش… 9

1-6. تعریف واژگان کلیدی.. 11

1-7. سازماندهی پژوهش… 11

فصل دوم: ادبیات موضوع

مقدمه. 13

2-1. مبانی نظری.. 13

2-1-1. تحلیل فنی.. 15

2-1-1-1. مبانی تحلیل فنی.. 16

2-1-1-2. پایه و اساس تحلیل فنی.. 17

2-1-2. تحلیل بنیادی.. 18

2-1-2-1. نقاط ضعف تحلیل بنیادی.. 19

2-1-3. فرضیه گام تصادفی.. 20

2-1-4. انواع نظام­های ارزی.. 20

2-1-4-1. نظام­های ارزی شناور. 22

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. دیدگاه ­های 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. 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 داده ­ها و اطلاعات.. 55

3-3. پیش بینی.. 56

3-4. الگوهای پیش ­بینی 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 شبکه­ های عصبی مصنوعی ( ). 64

3-4-2-1. تاریخچه شبکه­ های عصبی مصنوعی.. 64

3-4-2-2. مبانی شبکه­ های عصبی مصنوعی.. 65

3-4-2-3. مزیت­ها و معایب شبکه­ های عصبی مصنوعی.. 66

3-4-2-4. ساختار شبکه­ های عصبی مصنوعی.. 66

3-4-2-5. دسته­بندی 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 یک شبکه 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. مجموعه­های فازی.. 81

3-4-3-3. عملگرهای فازی.. 82

3-4-3-4. اصل گسترش در مجموعه­های 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: یافته­ های پژوهش

4-1. مقدمه. 96

4-2. مجموعه­ی داده ­ها 96

4-3. آماده ­سازی 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 فرضیه ­های پژوهش… 119

فصل پنجم: خلاصه، نتیجه ­گیری و پیشنهادها

5-1. خلاصه و نتیجه ­گیری.. 122

5-2. پیشنهادها 123

منابع. 124

پیوست.. 132

 

فهرست شکل­ها

شکل (2-1): روش­های پیش ­بینی نرخ ارز. 15

شکل (3-1): نمایش لایه ­ها در شبکه عصبی مصنوعی.. 67

شکل (3-2): ساختار کلی یک پرسپترون چند لایه. 77

شکل (4-1): نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 97

شکل (4-2): داده ­های نرمال شده نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 98

شکل (4-3): مقادیر واقعی و پیش ­بینی شده الگوی 104

شکل (4-4): باقیمانده­های الگوی . 105

شکل (4-5): عملکرد  شبکه طراحی شده در داده ­های آزمون و آموزش… 109

شکل (4-6): ساختار نهایی  طراحی شده 112

شکل (4-7): مقادیر واقعی و برآورد شده توسط  طراحی شده 113

شکل (4-8): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده اولیه) 116

شکل (4-9): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده نهایی) 11

 

فهرست جدول­ها

جدول (2-1): مزیت­ها و معایب نظام­های ارزی.. 21

جدول (3-1): متداول­ترین توابع فعال­سازی شبکه­ های عصبی مصنوعی.. 70

جدول (4-1): تقسیم ­بندی داده ­ها به داده ­های آموزش و آزمون. 99

جدول (4-2): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار در مقابل ریال) 100

جدول (4-3): مقادیر آکائیک در الگوی برآورد شده . 101

جدول (4-4): نتایج تخمین الگوی 107

جدول (4-5): معیارهای عملکرد الگوهای  و 103

جدول (4-6): بررسی توابع فعال­سازی.. 110

جدول (4-7): تقسیم ­بندی داده ­ها به داده ­های آموزش و آزمون. 111

جدول (4-8): مقادیر مربوط به وزن­ها و بایاس­های  طراحی شده 112

جدول (4-9): معیارهای عملکرد الگوی  طراحی شده 113

جدول (4-10): مقادیر واقعی و حد پایین و بالای آن­ها (الگوی فازی­سازی شده نهایی) 118

جدول (4-11): معیارهای عملکرد الگوی هوش محاسباتی ترکیبی.. 118

جدول (4-12): نتایج به­دست آمده از الگوها 11

 

فهرست علایم و اختصارات

میانگین مطلق خطا ( )

میانگین مربع خطا ( )

مجموع مربع خطا ( )

ریشه میانگین مربع خطا ( )

میانگین درصد مطلق خطا ( ) .

میانگین خطا ( ).

چکیده

پیش ­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه ­ریزی و تدوین روش­های مالی است. دقت پیش ­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش ­بینی است. امروزه با وجود روش­های متعدد پیش­بینی، هنوز پیش ­بینی دقیق نرخ ارز کار چندان ساده­ای نیست و اکثر محققان درصدد به­ کارگیری و ترکیب روش­های متفاوت به منظور دستیابی به نتایج دقیق­تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم­ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم­ترین محدودیت آن­ها پیش‌فرض خطی‌بودن الگو است. شبكه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش ­بینی با داده ­های کم است. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های 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 اندازه ­گیری عملکرد پیش ­بینی الگوی ارائه شده از شاخص ­های 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 پیش ­بینی نرخ ارز (دلار در مقابل ریال) ارائه می­دهد

مقدمه

پیش ­بینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه ­ریزی­های اقتصادی محسوب می­ شود. 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 تعیین ­کننده ­ای در سیاست­گذاری­های اقتصادی ایفا می­ کند. تغییرات نرخ ارز، بخش­های مختلف اقتصاد یک کشور را تحت تأثیر قرار می­دهد. بنابراین، الگوسازی و پیش ­بینی روند آتی این متغیر برای ارائه سیاست­ها و رهنمود­های اقتصادی امری ضروری به نظر می­رسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا می­ کند. از آن­جا که قسمت اعظم درآمد­های ارزی کشور از طریق فروش نفت خام تأمین می­ شود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز می ­تواند 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 پیش ­بینی نرخ­های ارز پرداخته است.