فصل یکم: مقدمه و کلیات
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. 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 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. 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 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. 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: 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
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.
فصل یکم: مقدمه و کلیات
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.
بررسی ادبیات موضوع مربوط به پیش بینی در بازارهای مالی نشاندهنده این مطلب است که بررسی رفتار نرخ ارز با بهره گرفتن از یک الگو به سختی قابل پیش بینی بوده و پیش بینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).
به کارگیری روشهای ترکیبی یا ترکیب روشهای مختلف یک راه متداول به منظور رفع محدودیتهای روشهای تکی و بهبود دقت پیشبینیها است. ایده اساسی در ترکیب روشها بر این اساس استوار است که هیچ یک از روشهای موجود، یک روش جامع برای پیش بینی نبوده و قابلیت به کارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روشهای مختلف میتوان نقاط ضعف یک روش را با بهره گرفتن از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).
بنابراین، در این پژوهش با به کارگیری 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 پیش بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارائه می شود.
1-1- بیان مسأله
پیش بینی از ابزارها و راهکارهای مؤثر به منظور برنامه ریزی و تدوین روشهای مالی است. دقت پیشبینی یکی از مهمترین مؤلفه های مؤثر در انتخاب روش پیش بینی است. پیش بینی متغیرهای اقتصادی به دو صورت پیش بینی کیفی[1] و پیش بینی کمی[2] صورت میپذیرد. پیش بینی کیفی به تجربه و تواناییهای افراد و پیش بینی کمی به تابع توزیع احتمال هر پدیده بستگی دارد. گجراتی[3] پیش بینی را بخش مهمی از تحلیلهای اقتصادسنجی میداند و برای برخی از پژوهشگران مهمترین قسمت از علم اقتصادسنجی، پیش بینی است. فریدمن[4] معتقد است تنها آزمون مناسب برای اعتبار یک الگو، مقایسه پیش بینی آن با تجربه است. پیندایک و روبینفلد[5] هدف اصلی از ساختن الگوهای رگرسیون را پیش بینی میدانند.
نرخ ارز یک متغیر اقتصادی است که پیش بینی 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 می کنند. دلایل آنها برای این مداخله می تواند شامل نوسانهای بیش از حد معمول نرخ ارز و در نتیجه اثرات آن بر فعالیتهای اقتصادی باشد. بنابراین، پیش بینی نرخ ارز از طرف این گروه لازمهی چنین مداخلهای است. دستهی دوم بنگاههای فعال در زمینه تجارت و سرمایه گذاری مستقیم خارجی هستند که با جهانی شدن اقتصاد، این نوع سرمایه گذاریها و به تبع آن ریسکهای مرتبط با این فعالیتهای بین المللی 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 عرصه بین المللی میتوان این گروه را مشتاقترین علاقمندان به پیش بینی نرخ ارز دانست (موسا[6]، 2000).
پیش بینی نرخ ارز برای فعالان و پیشبینیکنندگان در بازار نرخ ارز از اهمیت اساسی برخوردار است. با وجود این، برخی معتقدند که پیش بینی نرخ ارز امکان پذیر نبوده و سیر تکاملی هر نوع نرخ ارزی از فرضیه بازار کارا ( )[7] تبعیت می کند. براساس این فرضیه، بهترین روش برای پیش بینی نرخ ارز روز آتی، اتکا به نرخ کنونی آن بوده و نرخ ارز واقعی از فرضیه گام تصادفی ( )[8] پیروی می کند. این بدبینی در پیش بینی 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 پیش بینی 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 نشاندهنده ناکارا بودن بازار ارز در ایران است (سلامی، 1380).
به کارگیری روشهای سری زمانی به منظور پیش بینی بازارهای مالی، بهبود تصمیم گیری ها و سرمایه گذاریها به ضرورتی انکارناپذیر در دنیای امروز تبدیل شده است. تلاش های زیادی در چند دههی اخیر به منظور توسعه و بهبود الگوهای پیش بینی سریهای زمانی انجام شده است. یکی از مهمترین و پرکاربردترین الگوهای سریهای زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. این الگوها به دلیل سادگی در فهم و به کارگیری، در چند دهه اخیر بسیار مورد توجه بوده اند، اما به کارگیری 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).
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.
روشهای پیش بینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روشهای مشابه به داده های کمتری نیاز دارد اما عملکرد آنها همیشه رضایتبخش نیست (خاشعی و بیجاری[11]، 2009).
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 دستیابی به نتایج دقیقتر برای پیش بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) استفاده می شود.
2-1- پرسش پژوهش
آیا الگوی هوش محاسباتی ترکیبی پیش بینی دقیقتری از نرخ ارز در مقایسه با الگوهای خودرگرسیون میانگین متحرک انباشته ( )[1]، شبکه های عصبی مصنوعی ( )[2] و الگوی ترکیبی ) ارائه میدهد؟
3-1- فرضیه های پژوهش
با توجه به پرسش پژوهش سه فرضیه وجود دارد:
1- الگوی هوش محاسباتی ترکیبی پیش بینی دقیقتری از نرخ ارز در مقایسه با الگوی خود رگرسیون میانگین متحرک انباشته ارائه میدهد.
2- الگوی هوش محاسباتی ترکیبی پیش بینی دقیقتری از نرخ ارز در مقایسه با الگوی شبکه عصبی مصنوعی ارائه میدهد.
3- الگوی هوش محاسباتی ترکیبی پیش بینی دقیقتری از نرخ ارز در مقایسه با الگوی ترکیبی ( ) ارائه میدهد.
4-1- اهداف پژوهش
با توجه به اهمیت پیش بینی نرخ ارز، هدف اصلی پژوهش حاضر طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی 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 مقایسه دقت پیش بینی الگوهای هوش محاسباتی ترکیبی و خودرگرسیون میانگین متحرک انباشته در پیش بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسه دقت پیش بینی الگوهای هوش محاسباتی ترکیبی و شبکه عصبی مصنوعی در پیش بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)
– بررسی و مقایسه دقت پیش بینی الگوی هوش محاسباتی ترکیبی و الگوی ترکیبی ( ) در پیش بینی 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، شبکه های عصبی مصنوعی و رگرسیون فازی ارائه می شود. همچنین در الگوی ارائه شده، 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 می شود.
در الگوی ارائه شده در مرحله اول، ابتدا یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو ، بر روی دادههای سری زمانی مورد مطالعه برازش میگردد. در مرحله دوم، یک شبکه عصبی با بهره گرفتن از اطلاعات موجود در باقیماندههای الگوی خودرگرسیون میانگین متحرک انباشته آموزش میبیند. در مرحله سوم، نتایج بهدستآمده از مرحله یک و دو به منظور الگوسازی تمامی روابط موجود در دادههای سری زمانی مورد مطالعه ترکیب میشوند. در مرحله چهارم الگوی ترکیبی ( )، فازیسازی می شود. در نهایت الگوی فازیسازی شده برای پیش بینی 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 می شود.
در پژوهش حاضر به منظور اندازه گیری عملکرد پیش بینی الگوی ارائه شده از شاخص های 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 می شود.
[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
[1]. Qualitative Forecasting
[2]. Quantitative Forecasting
[3]. Gujarati (1995)
[4]. Friedman (1953)
[5]. Pindyck & Rubinfeld (1991)
[6]. Moosa
[7]. Efficient Market Hypothesis