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

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 سری های زمانی می باشد. از سوی دیگر شبکه ی عصبی یک تخمین زننده ی عمومی است که الگو های غیر خطی را بسیار خوب مدل سازی می نماید. دانستن الگوی داده ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد می گردد که تلفیق مدل های خطی و غیرخطی می تواند منجر به افزایش دقت پیش بینی گردد. از این رو، در این پژوهش بخش خطی را بوسیله ی مدل ARIMA پیش بینی کرده، آن گاه پسماند های غیر خطی را بوسیله ی شبکه ی عصبی پیش خور مدل سازی نموده و پیش بینی حاصل از آن را به مدل ARIMA ، به منظور پیش بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش رو) اضافه می نماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدل های ARIMA و شبکه ی عصبی بر اساس دو معیار MSE و MAE با استفاده از آزمون های مقایسه زوجی و دایبولد- ماریانو دال بر عملکرد بهتر مدل ترکیبی است.