پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی

مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته می شود، یکی از پرکاربردترین مدل ها در پیش بینی سری های زمانی است. اما پیش­ فرض اصلی این مدل خطی بودن سری­های زمانی می­باشد. از سوی دیگر شبکه­ی عصبی یک تخمین زننده­ی عمومی است که الگو­های غیر خطی را بسیار خوب مدل­سازی می­نماید. دانستن الگوی داده­ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد می­گردد که تلفیق  مدل­های خطی و غیرخطی می­تواند منجر به افزایش دقت پیش­بینی گردد. از این­ رو، در این پژوهش بخش خطی را بوسیله­ی مدل ARIMA پیش­بینی کرده، آن­گاه پسماند­های غیر خطی را بوسیله­ی شبکه­ی عصبی پیش­خور مدل سازی نموده و پیش­بینی حاصل از آن­ را به مدل ARIMA ، به­منظور پیش­بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش­رو) اضافه می­نماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدل­های ARIMA و شبکه­ی عصبی بر اساس دو معیار MSE و MAE  با استفاده از آزمون­های مقایسه زوجی و دایبولد- ماریانو دال بر عملکرد بهتر مدل ترکیبی است.

کلیدواژه ها:

خود رگرسیو میانگین متحرک انباشنه (ARIMA) ، شبکه عصبی پیش خور ، مدل ترکیبی