بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی

دقت پیش بینی از مهمترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روش های متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روش های متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش بینی، کار بسیار دشواری می باشد. بسیاری از محققان روش های خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند چرا که اولا در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیا سری های زمانی دنیای واقع بندرت کاملا خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سری های زمانی می باشند. در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روش های مدل سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشتهو شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.