بهبود مدل های ترکیبی(ANNs & ARIMA) با بکارگیری شبکه های عصبی احتمالی به منظور پیش بینی سری های زمانی
نویسنده:
چکیده:
دقت پیش بینی ها از مهمترین فاکتور های مؤثر در انتخاب روش های پیش بینی می باشند. امروزه علی رغم وجود روش های متعدد پیش بینی، هنوز پیش بینی های دقیق، بویژه در بازارهای 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 سال های اخیر تلاش های فراوانی به منظور بهبود روش های پیش بینی سری های زمانی صورت گرفته است. مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته (ARIMA) با شبکه های عصبی مصنوعی(ANNs) از این جمله مدل های بهبود یافته می باشند. این گونه از مدل ها با بهره گیری از مزایای منحصر به فرد هر یک از روش های مدل سازی خطی و غیرخطی، نتایج حاصله را بهبود بخشیده اند. در این مقاله با استفاده از شبکه های عصبی احتمالی(PNNs) روند تغییرات باقیمانده های سری زمانی مورد مطالعه تشخیص و دقت روش ترکیبی بهبود داده شده است. نتایج حاصله از بکارگیری روش پیشنهادی در پیش بینی نرخ ارز موجب 10 % بهبود نسبت به مدل ترکیبی میانگین متحرک خودرگرسیون انباشته با شبکه های عصبی مصنوعی در میانگین قدرمطلق خطا گردیده است.
کلیدواژگان:
زبان:
فارسی
انتشار در:
در صفحه:
181
لینک کوتاه:
magiran.com/p862123
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!