پیش بینی نوسانات نرخ ارز: مقایسه روش حافظه بلند کوتاه مدت LSTM و مدل های خانواده واریانس ناهمسان شرطی GARCH

در پژوهش حاضر به مقایسه عملکرد روش حافظه بلند کوتاه مدت LSTM و مدل های خانواده واریانس ناهمسان شرطی GARCH در پیش بینی نوسانات نرخ ارز پرداخته شده است. برای این منظور داده های نرخ ارز (دلار آمریکا) در بازار آزاد طی دوره ۱۰/۰۷/۱۳۹۸ تا ۱۰/۰۷/۱۴۰۰ با تواتر روزانه جمع اوری شده و مورد تجزیه و تحلیل قرار گرفته اند. روش پژوهش از نوع توصیفی-همبستگی بوده و روش گردآوری اطلاعات در بخش ادبیات نظری مبتنی بر مطالعات کتابخانه‎ای و در بخش آزمون فرضیه‎های پژوهش مبتنی بر اسنادکاوی است. به منظور پیش بینی نوسانات نرخ ارز، از مدل های GARCH، GJR-GARCH، IGARCH و SGARCH بهره گرفته شد و تعیین تعداد پارامترهای هر مدل بر پایه معیار حنان کوئین (HQ) انجام پذیرفت. نتایج حاصل از پیش بینی نوسانات نرخ ارز توسط هریک از این روش ها و مقایسه دقت پیش بینی آنها نشان داد که الگوریتم یادگیری عمیق LSTM نسبت به تمامی روش های مبتنی بر گارچ عملکرد بهتری در پیش بینی نوسانات نرخ ارز داشته است. همچنین مقایسه دقت پیش بینی مدل های گارچ نیز نشان داد که بین روش gjrGARCH و iGARCH اختلاف معناداری وجود داشته و روش gjrGARCH دقت بیشتری در پیش بینی نوسانات نرخ ارز داشته، اما بین سایر روش های مبتنی بر گارچ، اختلاف معناداری در دقت پیش بینی وجود نداشت.

کلیدواژه ها:

نوسانات نرخ ارز ، شبکه عصبی مصنوعی ، مدل گارچ ، حافظه بلند کوتاه مدت.