دانلود پایان نامه ارشد: طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش¬بینی نرخ ارز در ایران

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته علوم اقتصادی

عنوان : طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­بینی نرخ ارز در ایران

دانشگاه مازندران

دانشکده علوم اقتصادی و اداری

پایان نامه کارشناسی ارشد رشته علوم اقتصادی

موضوع:

طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­بینی نرخ ارز در ایران

استاد راهنما:

دکتر امیر منصور طهرانچیان

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

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

فهرست مطالب:

فصل یکم: مقدمه و کلیات

مقدمه. 3

1-1. بیان مساله. 4

1-2. پرسش پژوهش… 8

1-3. فرضیه­های پژوهش… 8

1-4. اهداف پژوهش… 9

1-5. روش پژوهش… 9

1-6. تعریف واژگان کلیدی.. 11

1-7. سازماندهی پژوهش… 11

فصل دوم: ادبیات موضوع

مقدمه. 13

2-1. مبانی نظری.. 13

2-1-1. تحلیل فنی.. 15

2-1-1-1. مبانی تحلیل فنی.. 16

2-1-1-2. پایه و اساس تحلیل فنی.. 17

2-1-2. تحلیل بنیادی.. 18

2-1-2-1. نقاط ضعف تحلیل بنیادی.. 19

2-1-3. فرضیه گام تصادفی.. 20

2-1-4. انواع نظام­های ارزی.. 20

2-1-4-1. نظام­های ارزی شناور. 22

2-1-4-2. نظام­های ارزی میانه. 24

2-1-4-3. نظام­های ارزی میخکوب شده نرم. 25

2-1-4-4. نظام­های ارزی میخکوب سخت… 27

2-1-5. دیدگاه­های مختلف در ادبیات نرخ ارز. 28

2-1-5-1. دیدگاه سنتی نرخ ارز. 28

الف. روش کشش­ها 28

ب. الگوی برابری قدرت خرید ( ). 30

ج. الگوی ماندل – فلمینگ ( ). 32

2-1-5-2. دیدگاه جدید دارایی.. 34

الف. الگوهای پولی تعیین نرخ ارز. 34

ب. الگوی تعادل پورتفولیو. 37

2-2. مطالعات انجام شده 38

2-2-1. مطالعات خارجی.. 38

2-2-2. مطالعات داخلی.. 46

2-3. مروری بر تحولات ارزی ایران. 48

2-3-1. تحولات ارزی تا زمان وقوع انقلاب اسلامی.. 48

2-3-2. تحولات ارزی پس از وقوع انقلاب اسلامی.. 50

فصل سوم: روش پژوهش

3-1. مقدمه. 55

3-2. حدود پژوهش و روش جمع­آوری داده­ها و اطلاعات.. 55

3-3. پیش بینی.. 56

3-4. الگوهای پیش­بینی سری­های زمانی.. 57

3-4-1. الگوی خودرگرسیون میانگین متحرک انباشته ( ). 58

3-4-1-1. تاریخچه خودرگرسیون میانگین متحرک انباشته. 58

3-4-1-2. ویژگی­های روش خودرگرسیون میانگین متحرک انباشته. 59

3-4-1-3. الگوسازی ،  و .. 60

3-4-1-4. الگوی خودرگرسیون میانگین متحرک انباشته. 62

3-4-1-5. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته. 63

3-4-2. الگوهای شبکه­های عصبی مصنوعی ( ). 64

3-4-2-1. تاریخچه شبکه­های عصبی مصنوعی.. 64

3-4-2-2. مبانی شبکه­های عصبی مصنوعی.. 65

3-4-2-3. مزیت­ها و معایب شبکه­های عصبی مصنوعی.. 66

3-4-2-4. ساختار شبکه­های عصبی مصنوعی.. 66

3-4-2-5. دسته­بندی داده­ها 68

3-4-2-6. واحدهای پردازش… 69

3-4-2-7. انواع توابع فعال­سازی (تبدیل). 69

3-4-2-8. انواع شبکه­های عصبی.. 71

3-4-2-9. مراحل اساسی ساخت یک شبکه عصبی مصنوعی.. 74

3-4-2-10. الگوریتم­های آموزش شبکه­های عصبی مصنوعی.. 75

3-4-2-11. شبکه­های پرسپترون چند لایه ( ). 76

3-4-2-12. معیارهای خطا 79

3-4-3. مفاهیم فازی.. 80

3-4-3-1. تاریخچه نظریه فازی.. 80

3-4-3-2. مجموعه­های فازی.. 81

3-4-3-3. عملگرهای فازی.. 82

3-4-3-4. اصل گسترش در مجموعه­های فازی.. 82

3-4-3-5. عدد فازی.. 83

3-4-3-6. مبانی رگرسیون فازی.. 85

3-5. الگوی هوش محاسباتی ترکیبی.. 87

فصل چهارم: یافته­های پژوهش

4-1. مقدمه. 96

4-2. مجموعه­ی داده­ها 96

4-3. آماده­سازی داده­های ورودی.. 97

4-4. برازش الگوی خودرگرسیون میانگین متحرک انباشته. 98

4-5. طراحی و آموزش یک شبکه عصبی مصنوعی.. 105

4-5-1. انتخاب نوع شبکه. 106

4-5-2. تعیین تعداد لایه­ها 106

4-5-3. تعیین تعداد نرون­های هر لایه. 107

4-5-4. تعیین توابع فعال­سازی.. 110

4-5-5. تعیین الگوریتم آموزش… 110

4-5-6. مجموعه­های آموزش و آزمون. 111

4-5-7. معیار سنجش عملکرد. 111

4-6. فازی­سازی الگوی  طراحی شده. 113

4-7. فازی­سازی تجدید نظر شده و نهایی سازی مقادیر ضرایب.. 117

4-8. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها 118

4-9. آزمون فرضیه­های پژوهش… 119

فصل پنجم: خلاصه، نتیجه­گیری و پیشنهادها

5-1. خلاصه و نتیجه­گیری.. 122

5-2. پیشنهادها 123

منابع. 124

پیوست.. 132

 

فهرست شکل­ها

شکل (2-1): روش­های پیش­بینی نرخ ارز. 15

شکل (3-1): نمایش لایه­ها در شبکه عصبی مصنوعی.. 67

شکل (3-2): ساختار کلی یک پرسپترون چند لایه. 77

شکل (4-1): نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 97

شکل (4-2): داده­های نرمال شده نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 98

شکل (4-3): مقادیر واقعی و پیش­بینی شده الگوی 104

شکل (4-4): باقیمانده­های الگوی . 105

شکل (4-5): عملکرد  شبکه طراحی شده در داده­های آزمون و آموزش… 109

شکل (4-6): ساختار نهایی  طراحی شده 112

شکل (4-7): مقادیر واقعی و برآورد شده توسط  طراحی شده 113

شکل (4-8): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده اولیه) 116

شکل (4-9): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده نهایی) 11

 

فهرست جدول­ها

جدول (2-1): مزیت­ها و معایب نظام­های ارزی.. 21

جدول (3-1): متداول­ترین توابع فعال­سازی شبکه­های عصبی مصنوعی.. 70

جدول (4-1): تقسیم­بندی داده­ها به داده­های آموزش و آزمون. 99

جدول (4-2): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار در مقابل ریال) 100

جدول (4-3): مقادیر آکائیک در الگوی برآورد شده . 101

جدول (4-4): نتایج تخمین الگوی 107

جدول (4-5): معیارهای عملکرد الگوهای  و 103

جدول (4-6): بررسی توابع فعال­سازی.. 110

جدول (4-7): تقسیم­بندی داده­ها به داده­های آموزش و آزمون. 111

جدول (4-8): مقادیر مربوط به وزن­ها و بایاس­های  طراحی شده 112

جدول (4-9): معیارهای عملکرد الگوی  طراحی شده 113

جدول (4-10): مقادیر واقعی و حد پایین و بالای آن­ها (الگوی فازی­سازی شده نهایی) 118

جدول (4-11): معیارهای عملکرد الگوی هوش محاسباتی ترکیبی.. 118

جدول (4-12): نتایج به­دست آمده از الگوها 11

 

فهرست علایم و اختصارات

میانگین مطلق خطا ( )

میانگین مربع خطا ( )

مجموع مربع خطا ( )

ریشه میانگین مربع خطا ( )

میانگین درصد مطلق خطا ( ) .

میانگین خطا ( ).

چکیده

پیش­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه­ریزی و تدوین روش­های مالی است. دقت پیش­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش­بینی است. امروزه با وجود روش­های متعدد پیش­بینی، هنوز پیش­بینی دقیق نرخ ارز کار چندان ساده­ای نیست و اکثر محققان درصدد به­کارگیری و ترکیب روش­های متفاوت به منظور دستیابی به نتایج دقیق­تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم­ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم­ترین محدودیت آن­ها پیش‌فرض خطی‌بودن الگو است. شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش­بینی با داده­های کم است. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده ‌شده است. اطلاعات استفاده شده در این پژوهش شامل 115 داده­ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازه­گیری عملکرد پیش­بینی الگوی ارایه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان می­دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق­تری در پیش­بینی نرخ ارز (دلار در مقابل ریال) ارایه می­دهد

مقدمه

پیش­بینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه­ریزی­های اقتصادی محسوب می­شود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخش­های مختلف داخلی و خارجی اقتصادی یک کشور، هم­چون وضعیت تراز ­پرداخت­ها و قدرت رقابت بین­المللی، نقش تعیین­کننده­ای در سیاست­گذاری­های اقتصادی ایفا می­کند. تغییرات نرخ ارز، بخش­های مختلف اقتصاد یک کشور را تحت تأثیر قرار می­دهد. بنابراین، الگوسازی و پیش­بینی روند آتی این متغیر برای ارایه سیاست­ها و رهنمود­های اقتصادی امری ضروری به نظر می­رسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا می­کند. از آن­جا که قسمت اعظم درآمد­های ارزی کشور از طریق فروش نفت خام تأمین می­شود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز می­تواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازار­های داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگو­سازی و پیش­بینی نرخ­های ارز پرداخته است.

بررسی ادبیات موضوع مربوط به پیش­بینی در بازارهای مالی نشان­دهنده­ی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیش­بینی بوده و پیش­بینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).

به­کارگیری روش­های ترکیبی یا ترکیب روش­های مختلف یک راه متداول به منظور رفع محدودیت­های روش­های تکی و بهبود دقت پیش­بینی­ها است. ایده­ی اساسی در ترکیب روش­ها بر این اساس استوار است که هیچ یک از روش­های موجود، یک روش جامع برای پیش­بینی نبوده و قابلیت به­کارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روش­های مختلف می­توان نقاط ضعف یک روش را با استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).

بنابراین، در این پژوهش با به­کارگیری مفاهیم پایه­ای و مزیت­های منحصر به فرد هر یک از الگو­های خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیق­تر برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه می­شود.

تعداد صفحه : 141

قیمت : 14000تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09199970560        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

شماره کارت :  6037997263131360 بانک ملی به نام محمد علی رودسرابی

11

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید

2 پاسخ

بخش دیدگاه ها غیر فعال است.