ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

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

سال انتشار: 1397
کد COI مقاله: JR_FEJ-9-34_017
زبان مقاله: فارسیمشاهده این مقاله: 252
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 23 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

شاپور محمدی - دانشیار، اقتصاد سنجی، دانشگاه تهران، تهران، ایران
رضا راعی - دانشیار، مدیریت مالی، دانشگاه تهران، تهران، ایران
محمدرضا رحیمی - دانشجوی دکتری، مدیریت مالی، دانشگاه تهران، تهران، ایران

چکیده مقاله:

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

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_FEJ-9-34_017 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/958595/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
محمدی، شاپور و راعی، رضا و رحیمی، محمدرضا،1397،پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی،https://civilica.com/doc/958595

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397، محمدی، شاپور؛ رضا راعی و محمدرضا رحیمی)
برای بار دوم به بعد: (1397، محمدی؛ راعی و رحیمی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 71,580
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی