طراحی مدلی جهت پیش بینی مالی با استفاده از تلفیق شبکه های عصبی با استفاده از متدلوژی باکس جنکینز و هالت وینترز

پژوهش حاضر به طراحی مدلی جهت پیش بینی مالی با استفاده از تلفیق شبکه های عصبی می پردازد، این پژوهش مقای سه ای گذ شته نگر ا ست که با ا ستفاده از دادههای میانگین قیمت نفت اوپک از سال ۲۰۰۳ تا ۲۰۲۲ به پیش بینی برای ۵/۲۰۲۲ تا ۵/۲۰۲۳ پرداخته است ، بدین جهت دو مدل از مدلهای سری زمانی (باکس جنکینز و هالت وینترز) مورد بررسی قرار گرفته است که در مرحله دوم وارد الگوی ترکیبی مبتنی بر شبکه ع صبی م صنوعی شدند. برای ساختن مدل شبکه ع صبی از محیط نرم افزار Matlab و برای ساختن مدل سری زمانی باکس -جنکینز از نرم افزارهای Spssو Eviews استفاده شده است . بر اساس نتایج حاصل از آنالیز خطاهای متدلوژی باکس جنکینز بین فرایندهای سری زمانی ARIMA، ARIMA ۵.۱.۵، ARIMA ۴.۱.۵ و ARIMA ۵.۱.۳ دارای بهترین دقت با MSE به ترتیب ۸۶,۶۱، ۲۱,۶۳، ۲۹,۶۳ و ۳,۶۳ بودند. دقت روش هالت وینترز به دلیل ماهیت دادهها نسبت به روش سری زمانی مناسب نبود بنابراین برای ترکیب روشهای پیش بینی ، بهترین شبکه عصبی مصنوعی طراحی گردید، این شبکه عصبی شامل یک لایه ورودی ۵ نرونی ، یک لایه میانی ۵ نرونی و یک لایه خروجی تک نرونی بود، بر اساس الگوریتم لونبرگ مارکارد و از تابع سیگموئید خطی استفاده گردید، نتایج نشان داد که شبکه عصبی ترکیبی طراحی شده، توانسته است به شکل قابل ملاحظه ای دقت روشهای پیش بینی را بهتر کند و شاخص های MSE، MAPE، AIC و BIC را بهبود بخشد.

کلیدواژه ها:

پیش بینی ، تلفیق شبکه عصبی ، مدلهای سری زمانی ، متدلوژی باکس جنکینز و هالت وینترز.