چکیده:
یکی از روش های سنتی پیش بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستایی و خطی بودن بنیان نهاده شده است. در مورد عمکرد این مدل های سنتی بعضا تردیدهای ایجاد شده است. یکی از روش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه ی خوبی برای پیش بینی سری های زمانی از خود نشان داده اند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینی مدل های خود توضیح جمعی میانگین متحرک (ARIMA) و شبکه های عصبی مصنوعی ( ANN ) به مقایسه ی این دو روش برای پیش بینی نرخ روزانه ارز در دوره ی مارس 2006 تا فوریه 2009 پرداخته شده است. نتایج تحقیق نشان داده است که روش شبکه های عصبی تخمین های بهتری نسبت به روش ARIMA ارائه می کند. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی ایران استفاده شده است.
One of the traditional methods for forecasting is time series analyzing، which based on tow assumption: stationary and linearity. There is Suspicion to working by the traditional models. One of the substitute methods is Artificial Neural Network (ANN) which sometimes shows good potential ability for forecasting time series. In this paper، after reviewing the recent studies on ability of Autoregressive Integrated Moving Average Process(ARIMA) and ANN، tow models for forecasting the exchange rate between march 2006 and February 2009 in Iran are compared. The results show that ANN has a better estimate than ARIMA. In this research، the MATLAB and Central bank data are utilized.
خلاصه ماشینی:
"جدول 4 : نتایج پیشبینی یورو توسط مدلهای ANN و ARIMA پیش بینی به صورت گام به جلو به تفکیک گامها به جلو شرح ده گام نه گام هشت گام هفت گام شش گام پنج گام چهار گام سه گام دو گام یک گام داده اصلی NN ARIMA مأخذ: نتایج تحقیق جدول 5: نتایج پیشبینی یورو توسط مدل ANN NN (lr =/,trset =/) شرح ده گام نه گام هشت گام هفت گام شش گام پنج گام چهار گام سه گام دو گام یک گام وقفه بهینه نرون پنهان بهینه / / / / / / / / / / RMSE مأخذ: نتایج تحقیق جدول 6: نتایج پیشبینی یورو توسط مدل ARIMA ARIMA شرح ده گام نه گام هشت گام هفت گام شش گام پنج گام چهار گام سه گام دو گام یک گام درجه AR درجه MA / / / / / / / / / / RMSE مأخذ: نتایج تحقیق در مدل شبکهی عصبی تعداد وقفهی بهینه، تعداد نرون بهینه، نرخ یادگیری، نسبت دادههای آموزش به آزمون به ترتیب 5، 5، 2/0 و 80/0 است."