پیش بینی مالی با استفاده از شبکه های عصبی

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.