ارایه یک روش ترکیبی بهبودیافته از مدل های خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی به منظور پیش بینی نرخ ارز

نرخ ارز یکی از مهمترین متغیرهای کلان اقتصادی است که در بسیاری از تصمیم گیری های اقتصادی ومالی، بویژه در محیط های بین المللی نقش موثری ایفا می نماید. لذا پیش بینی های دقیق نرخ ارز برایشرکت های چندملیتی و بین المللی می تواند بسیار حایز اهمیت باشد. امروزه علیرغم وجود روش هایمتعدد پیش بینی، هنوز پیش بینی های دقیق نرخ ارز در بازارهای بین الملی کار چندان ساده ای نبوده واکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند.بسیاری از محققان روش های خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیبکرده اند چرا که اولا در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاسری های زمانی دنیای واقع بندرت کاملا خطی و یا غیرخطی هستند. مدل های خودرگرسیون میانگینمتحرک انباشته و شبکه های عصبی مصنوعی به ترتیب از جمله دقیق ترین مدل های خطی و غیرخطی درپیش بینی سری های زمانی می باشند. در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک ازروشهای مدلسازی خطی و غیرخطی و حصول نتایج دقیقتر، یک روش ترکیبی جدید از مدل هایخودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی به منظور پیش بینی نرخ ارز پیشنهادشده است. نتایج حاصله بیانگر آنست که مدل پیشنهادی نه تنها توانسته نتایج دقیق تری نسبت بهمدل های تشکیل دهنده خود بدست آورد، بلکه عملکرد بالاتری نیز نسبت به سایر مدل های ترکیبی خطیو غیرخطی در پیش بینی نرخ ارز بدست آورده است.

کلیدواژه ها:

مدل های خودرگرسیون میانگین متحرک انباشته (ARIMA) ، شبکه های عصبی مدل های ترکیبی ، بازارهای مالی ، پیش بینی نرخ ارز