با عنوان : ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتی

عنوان کامل پایان نامه کارشناسی ارشد:

ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتی

پایان نامه

بخش هایی از متن پایان نامه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

فصل اول: مقدمه و کلیات

1-1- مقدمه

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

نرخ ارز یک متغیر اقتصادی می باشد که پیش بینی آن مورد علاقه بسیاری از فعالان اقتصادی می باشد . این علاقه مندان را می توان به سه دسته تقسیم نمود . دسته اول ، سیاست گذاران اقتصادی و بانک های مرکزی هستند که تحت یک نظام ارزی شناور مدیریت شده به مقصود هموار سازی تلاطمات بازار ، در بازار ارز دخالت می کنند . علت های انها برای این مداخله می تواند شامل بیش از حد معمول بودن تلاطمات و نتیجه اثر منفی آن بر فعالیت های اقتصادی باشد . پس داشتن پیش بینی از نرخ ارز لازمه داشتن چنین مداخله ایی می باشد . دسته دوم ، بنگاه های فعال در تجارت و سرمایه گذاری‌های بین المللی هستند . جهانی شدن اقتصادی موجب گسترش بازارها و متنوع تر شدن سرمایه گذاری ها شده می باشد . از مهم ترین ریسک های مرتبط با این فعالیت ها ، ریسک ارز می باشد . تغییرات نرخ ارز ، درآمد ، هزینه و سود را دچار تغییر می کند . پس ، پیش بینی نرخ ارز ، تصمیم گیری بنگاه ها را به مقصود کسب منفعت بیشتر تحت تأثیر قرار می دهد . دسته سوم ، سفته بازان بازار ارز هستند . سفته بازان مشتاق ترین علاقه مندان به پیش بینی نرخ ارز هستند .

دو رویکرد نسبت به پیش بینی نرخ ارز هست . اول رویکرد بنیادی [1] می باشد که پیش بینی نرخ ارز را بر اساس دیگر متغیرهای اقتصادی انجام می دهد .دوم رویکرد تکنیکال[2] که فقط از رفتار گذشت نرخ ارز برای پیش بینی طریقه آتی آن بهره گیری می کند و به دلیل عدم در نظر داشتن دیگر متغیرهای اقتصادی ، به رویکرد تکنیکال شهرت یافته .

لاپلاس در سال 1776 بیان نمود اگر بتوانیم شرایط اولیه[3] هر پدیده را شناسایی کنیم می توانیم آینده آن را نیز به گونه دقیق پیش بینی کنیم . این تفکر مدت ها مورد قبول اندیشمندان عرصه علوم تجربی بود . اما پوانکلاره در سال 1903 بیان نمود خطاهای کوچک امروز به خطاهای بزرگ پیش بینی فردا منجر می گردد و از آن جا که اغلب شناخت دقیق وضعیت موجود امکان پذیر نیست و توام با خطاست ، پیش بینی امری غیر ممکن می نماید . به هر حال با آن که نظر غالب امروزی بسیار نزدیک به نظر پوانکلاره می باشد ، اندیشمندان علوم مختلف بخش عظیمی از مطالعات خود را بر پیش بینی متغیرها و پدیده های مورد مطالعه علوم مترکز ساخته اند . از میان این علوم « اقتصاد » جوان ترین می باشد .

اکثر متغیرهای اقتصادی از آن پدیده هایی هستند که شناخت وضعیت موجود انها غیر ممکن ، و یا حداقل مشکل می باشد.[4] لذا تا به حال پیش بینی ناپذیر بوده اند . بعضی ، این پیش بینی ناپذیری را دال بر وجود طریقه تصادفی در سری زمان این گونه متغیرها دانسته و به دنبال کشف بخش تصادفی ، و تفکیک آن از بخش غیر تصادفی تغییرات متغیر در طول زمان هستند .[5] مدل های ARIMA (p,d,q ) شاخص ترین این اقدامات هستند که جزء توضیح پذیر را خطی در نظر می گیرند و نوسانات را مستقل از زمان تصور می نمایند . اصولاً در اکثر مطالعات ، فرض بر این می باشد که متغیر مورد مطالعه یک طریقه فعلی مشخص دارد که با یک طریقه تصادفی « نویز سفید »[6] همراه می گردد . به گونه اختصار به این گونه مدل ها عنوان خطی – تصادفی داده می گردد . بعضی نیز مدل های غیر خطی را بر این متغیرها اعمال کرده اند که همانند این می توان به مدل های ARCH[7] و [8]GARCH که به گونه ساده مدل غیر خطی را در واریانس پسماندها اعمال می کند . می توان به مدل های لگاریتمی ، مدل های BOX – COX و … تصریح نمود که همه یک جزء تصادفی را نیز در مدل متصور می شوند . به این مدل ها اصطلاحاً غیر خطی – تصادفی اطلاق می گردد .

اما سیستم های خاص هم وجود دارند که تنها ماهیتی غیر خطی داشته و به هیچ وجه تصادفی نیست و یا به بیانی دیگر ، به گونه کامل قابل شناسایی[9] هستند . این سیستم ها در وهله اول با سیستم خطی – تصادفی و غیر خطی – تصادفی اشتباه گرفته می شوند . جالب این که این سیستم ها در گمراه کردن اغلب آزمون های تصادفی بودن موفق اقدام می کنند ، لذا اگر آزمون های استاندارد تشخیص طریقه تصادفی به کار گرفته گردد ، امکان تشخیص اشتباه هست . این واقعیت نظر گروهی دیگر از دانشمندان را تقویت می کند که اعتقاد دارند که در جهان واقعی پدیده تصادفی وجود ندارد بلکه مجموعه هایی از علت ها در کنار هم وقوع یک حادثه را رقم می زنند و عدم شناخت این علت ها و نحوه اثر گذاری آنها می باشد که تغییرات پدیده را تصادفی جلوه می دهد . پس هر متغییر مانند Xt در زمان وقوع خود اظهار کننده اثر تمامی متغیرهای اثر گذار می باشد و در نتیجه طریقه آن از نظر تئوریک کاملاً تعیین پذیر می باشد و تصادفی نیست .

در علم ریاضیات به این روندهای غیر خطی تصادفی نما[10] ، « آشوب »[11] اطلاق می گردد و طریقه منتج از انها آشوبی می باشد . به گونه اختصار ، یک آشوب ، سیستمی : 1) غیر خطی ؛ 2) پویاست ؛ 3) در کمال سادگی به خلق روندهای پیچیده می انجامد و 4) نسبت به وجود انحراف از شرایط اولیه بسیار حساس می باشد . به این ترتیب می باشد که تصادفی به نظر می رسد . تشخیص این سیستم از دو جهت جالب توجه می باشد : 1) اگر اثبات گردد که یک سیستم آشوبی می باشد راه برای تشخیص نوع سیستم آشوبی و مکانیزمی که این سیستم را تولید می کند هموارتر می گردد و می توان برای توضیح این پدیده مدل های مناسب طراحی نمود که در هنگام حل ، جوابی آشوبی ایجاد کند . 2 ) با کشف یک سیستم آشوبی و محتوای آن می توان امیدهای از دست رفته پیش بینی پذیری متغیرها را دوباره زنده نمود .

مطالعه این سیستم در اقتصاد از هر دو حیث مهم می باشد . لذا نزدیک به سه دهه می باشد که مطالعات در این زمینه راه خود را در اقتصاد نیز باز نموده می باشد . مطالعات در سه گروه متمرکز شده اند : 1) انهایی که تشخیص طریقه آشوبی از طریقه تصادفی را در مورد متغیرهای اقتصادی هدف خود قرار داده اند : 2) انهایی که بر تشکیل مدل هایی نظری که بتواند در حالاتی خاص رفتاری آشوبی خلق نموده و در عین حال از اصول اقتصادی تبعیت نماید ، تمرکز کرده اند و 3)انهایی که به دنبال کشف مکانیزم تولید داده های آشوبی در جهان واقعیت و به گونه ساده ، فرمول اصلی تولید کننده داده ها بوده اند . متاسفانه علی رغم پیشرفت هایی که در دو زمینه قبلی رخ داده در زمینه سوم دستاور قابل توجهی ایجاد نشده می باشد .

از طرفی درسال های اخیر ، پیشرفت های قابل توجه در پردازش سریع اطلاعات به وسیله کامپیوترها و نرم افزارهای کاربردی ، انگیزه پژوهش و به کارگیری مدل های غیر خطی را در میان اقتصادانان به گونه چشم گیری افزایش داده می باشد . یکی از معروف ترین مدل ها در این زمینه ، شبکه های عصبی مصنوعی می باشد .[12]

مدل های شبکه های عصبی مصنوعی از ابزارهای قدرتمند در تجزیه و تحلیل داده ها در علوم مهندسی ، کامپیوتر ، علوم پایه ، پزشکی ، هوا و فضا و بسیاری از رشته های علمی می باشد که بهره گیری از انها در مدل های اقتصاد کلان در دهه 90 مورد توجه پژوهشگران اقتصاد قرار گرفت . شبکه های عصبی مصنوعی را می توان با اغماض زیاد ، مدل های الکترونیکی از ساختار عصبی مغز بشر نامید . اگر چه مکانیزم دقیق کارکرد مغز بشر (یا حتی جانوران) به گونه کامل شناخته شده نیست ، اما با این تفاصیل جنبه های شناخته شده ایی نیز وجود دارند که الهام بخش تئوری شبکه های عصبی مصنوعی بوده اند . به عنوان مثال ، یکی از سلول های عصبی ، معروف به نرون [13] می باشد که دانش بشری آن را به عنوان سازنده اصلی مغز می انگارد . سلول های عصبی قادرند تا با اتصال به یکدیگر تشکیل شبکه های عظیم بدهند . قدرت فوق العاده مغز بشر از تعداد بسیار زیاد نرون ها و ارتباط بین انها ناشی می گردد.

ساختمان هر یک از نرون ها نیز به تنهایی بسیار پیچیده می باشد . هر نرون از بخش ها و زیر سیستم های زیادی تشکیل شده می باشد که از مکانیزم های کنترلی پیچیده ایی بهره گیری می کنند . سلول های عصبی می توانند از طریق مکانیزم های الکتروشیمیایی اطلاعات را انتقال دهند . بر حسب مکانیزم های به کار رفته در نرون ها ، انها را به بیش از صد گونه متفاوت تقسیم بندی می کنند .

در اصطلاح فنی ، نرون ها ، ارتباطات بین انها ، فرایند دودویی[14] پایدار [15] یا همزمان [16] محسوب نمی شوند .

در واقع شبکه های عصبی شبیه سازی شده یا کامپیوتری ، فقط قادرند بخش کوچکی از خصوصیات و ویژگی های شبکه های بیولوژیک را شبیه سازی کنند . در واقع هنر یک طراح شبکه های عصبی مصنوعی در چگونگی ترکیب نرون ها در یک شبکه[17] متجلی گردد .

علوم بیولوژیک نشان داده اند که ترکیب نرون ها در شبکه عصبی مغز به گونه ایی می باشد که ما را قادر می سازد تا اطلاعات را به صورتی پویا ، تعاملی و خود سازمان[18] پردازش می کنیم . در شبکه های عصبی بیولوژیک ، نرون ها در ساختاری سه بعدی به یکدیگر اتصال یافته اند . اتصالات بین نرون ها در شبکه های عصبی بیولوژیک آنقدر زیاد و پیچیده می باشد که به هیچ وجه نمی توان شبکه مصنوعی مشابه ایی طراحی نمود .

ساختار شبکه های عصبی امروزی ، از لایه های نرون تشکیل شده می باشد ، در چنین ساختاری ، نرون ها علاوه بر آن که در لایه خود به شکل محدودی به یکدیگر اتصال داده شده اند ، از طریق اتصال بین لایه ها نیز به نرون های طبقه مجاور ارتباط داده می شوند .

در حال حاضر یکی از ساده ترین روش های ارتباط دهی در شبکه های عصبی مصنوعی آن می باشد که آغاز نرون ها در گروه های مشخصی به صورت لایه های نرونی سازماندهی می شوند و پس از تأمین ارتباطات بین نرونی در هر لایه ، ارتباطات بین لایه ها برقررا می گردد . اگر چه در کاربردهای مشخصی می توان با موفقیت از شبکه های عصبی تک لایه بهره گیری نمود ، اما رسم بر آن می باشد که شبکه های عصبی حداقل دارای سه لایه باشد. ( لایه ورودی – لایه میانی ( پنهان ) ، لایه خروجی )

در بسیاری از شبکه های عصبی مصنوعی ، اتصالات بین نرونی به گونه ایی می باشد که نرون های لایه میانی ، ورودی خود را از تمام نرون های لایه پایینی خود ( به گونه معمول لایه نرون های ورودی ) دریافت می کنند .

بدین ترتیب در یک شبکه عصبی ، سیگنال ها به تدریج از یک لایه نرون به لایه های بالاتر حرکت می کنند و در نهایت به لایه آخر و خروجی می رسند . چنین مسیری در اصطلاح فنی پیشخور[19] نامیده می گردد .

نوع دیگری از اتصالات بین نرونی در شبکه های عصبی مصنوعی به ارتباط بازخورد[20] معروف می باشد . در این نوع ارتباطات ، خروجی یک لایه نرونی به لایه قبلی[21] اتصال داده می گردد . ارتباط بین نرونی در شبکه های عصبی مصنوعی از اهمیت بسیار زیادی برخوردار هستند و به نوعی قدرت یک شبکه را تعیین می کنند .

شبکه های عصبی می توانند بر اساس طراحی خود سیگنال های ورودی را طراحی کنند و به سیگنال های خروجی تبدیل نمایند . چنین فرآیندی را آموزش دیدن شبکه عصبی می نامند .

به گونه کلی دو روش برای آموزش دادن شبکه‌های عصبی مصنوعی هست . روش آموزش با ناظر [22] ( معلم ) و روش آموزش بدون ناظر[23] ( بدون معلم ) . در روش آموزش با ناظر آن چیز که به شبکه به عنوان مجموعه آموزشی داده می گردد همراه با قضاوتی می باشد که ناظر انتظار دارد ، لذا نمونه ها همراه با قضاوت از پیش تعیین شده آموزش داده می شوند تا در آینده، شبکه در صورت برخورد با نمونه های جدید ، با در نظر داشتن روالی که آموزش دیده می باشد ، اقدام کند . اما در آموزش بدون ناظر شبکه های عصبی بدون در اختیار داشتن داده های خروجی ، در معرض آموزش قرار می گیرند . در واقع به تنهایی و بدون کمک خارجی بایستی با در نظر داشتن شکل سیگنال های خروجی خود ، درمورد درستی یا نادرستی انها تصمیم بگیرد.

در مواردی ممکن می باشد که شبکه عصبی اصولاً موفق به فراگیری نشود . بدین معنی که پارامترهای شبکه پس از زمانهای طولانی به مقدار مشخصی همگرا نشوند ، چنین مواردی ممکن می باشد بر اثر ناکافی بودن داده های آموزشی و یا اصولاً نقص طراحی شبکه ایجاد گردد . بایستی توجه داشت که فرآیند آموزش شبکه های عصبی فقط به ازای زیر مجموعه ایی از داده هایی که قرار می باشد شبکه انها را در کاربرد حقیقی خود پردازش کند ، آموزش داده می شوند . در صورتی که شبکه بیش از حد آموزش ببیند[24]، یا تعداد داده های آموزشی یک شبکه بیش از حد زیاد باشد ( در واقع از تمامی داده های مسلم برای آموزش دادن به شبکه بهره گیری گردد ) ، شبکه به جای آن که آموزش ببیند ، به حالتی می رسد که به آن حفظ کردن اطلاعات می گویند . در واقع به جای آن که یک شبکه برای حل مساله از هوش خود کمک بگیرد ، از محفوظات خود بهره گیری می کند . همان گونه که شرایط و موقعیت نیز در نتیجه آموزش تأثیر دارد ، میزان یادگیری شبکه نیز به شدت از شرایط اولیه آغاز آموزش شبکه تأثیر می پذیرد . انتخاب مناسب مقادیر اولیه پارامترهای شبکه ، در نتیجه آموزش آن بسیار موثر خواهد بود . شبکه های عصبی مصنوعی از جنبه های توپولوژی ، ساختاری و روش های یادگیری به انواع مختلفی تقسیم می شوند و هر یک در کاربردهای خاص عملکرد مناسبی از خود نشان می دهند . شبکه عصبی چند لایه پرسپترون [25] با روش یادگیری انتشار وارون[26] یکی از متداولترین شبکه های کاربردی می باشد ، که در این پژوهش با بهره گیری از آن پیش بینی انجام می شود . در مباحث نظری اثبات شده که شبکه MLP در صورت انتخاب صحیح ساختار داخلی مناسب ، قادر می باشد که هر گونه سیستم غیر خطی را مدل کرده و شبیه سازی کند .

1 2 هدف از پژوهش

هدف از انجام این پژوهش ، ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتیجه بهتر نسبت به هر دو مدل می باشد .

1-fundamental

2-technical

١- شرایط اولیه ، شامل وضعیت یا مقدار اولیه مورد مطالعه ، وضعیت تمامی متغیرهای مرتبط با آن و تمامی ساز و کارهای اثرگذار بر متغیر مورد مطالعه و سایر متغیرهای اثر گذار می باشد .

٢- یکی از علت های این وضعیت ، تعداد زیاد متغیرهای اثر گذار بر پدیده های اقتصادی می باشد .

٣- حتی متعصب ترین طرفداران این اندیشه نیز قبول دارند که درون یک متغیر اقتصادی یک جزء توضیح پذیر و غیر تصادفی هست .

4-white niose

5-Auto regressive conditional Heteroscedasticity

6-Generalited Auto regressive conditional Heteros Cendasticity

1-deteministic

٢- به این دلیل به انها تصادفی نما گفته می گردد که اکثر آزمون های استاندارد انها را تصادفی تشخیص دهند .

3-chaos

1-Artificial Neural Networks ( ANN )

1-Neuron

2-Binary

3-stable

4-synchronous

5-neuran clustering

6-selforganiting

1-feed forward

2-feed back

3- این لایه می تواند لایه ایی که چند مرحله پایین تر می باشد باشد .

1-supervised

2-unsupervised

3-over training

1-multi layer perceptron ( MLP )

2-Back Propagation

تعداد صفحه : 80

قیمت : چهارده هزار و هفتصد تومان

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید