پيش بيني نرخ ارز با بكارگيري مدل هاي تركيبي پرسپترون هاي چندلايه (MLPs) و طبقه بندي كننده هاي عصبي احتمالي

Exchange Rate Forecasting Using Hybrid Models of Multilayer Perceptrons (MLPs)and Probabilistic Neural Networks (PNNs)

پيش بيني از ابزارها و راهكارهاي مؤثر به منظور برنامه ريزي و تدوين استراتژي هاي مالي است. دقت پيش بيني ها از مهمترين فاكتور هاي مؤثر در انتخاب روش پيش بيني است. امروزه علي رغم وجود روش هاي متعدد پيش بيني، هنوز پيش بيني هاي دقيق، به ويژه در بازارهاي مالي كار چندان ساده اي نبوده و اكثر محققان درصدد به كارگيري و تركيب روش هاي متفاوت به منظور حصول نتايج دقيق ترند. تركيب مدل هاي مختلف يا استفاده از مدل هاي تركيبي يك راه معمول در غلبه بر محدوديت هاي روش هاي تكي و بهبود عملكرد آنهاست. در ادبيات موضوع، روش هاي تركيبي متعددي بر اساس مدل هاي پرسپترون هاي چندلايه و به منظور رفع نقايص و محدوديت هاي موجود در اين گونه از روش ها طراحي و به كارگرفته شده اند. دراين مقاله، يك روش تركيبي جديد از پرسپترون هاي چندلايه با استفاده از شبكه هاي عصبي احتمالي ارائه شده است. روش پيشنهادي با به كارگيري قابليت هاي منحصر به فرد شبكه هاي عصبي احتمالي در تشخيص نقاط شكست، تغييرات و الگوهاي خاص موجود در سري هاي زماني مورد مطالعه را بهتر و كامل تر مدل سازي كرده و لذا عملكرد و دقت مدل در پيش بيني سري هاي زماني را افزايش مي دهد. نتايج حاصله از بكارگيري روش تركيبي پيشنهادي به منظور پيش بيني نرخ ارز بيانگر كارامدي روش پيشنهادي در افزايش دقت پيش بيني ها بوده است.

Forecasting is one of the effective tools for planning and establishing the financial strategies. Forecasting accuracy is also one of the most important factors in choosing the forecasting method. Nowadays, despite the numerous forecasting models available, accurate forecasting is not yet a simple task, especially in financial markets. Thus, different models have been combined together in order to achieve more accurate results. Combining different models or using hybrid forecasting models is a common way for overcoming deficiecies of the single models and improving their performance. In the literature, several hybrid models of multilayer perceptrons have been proposed in order to overcome the disadvantages of these models. In this paper, a new hybrid model of multilayer perceptrons is proposed using probabilistic neural classifiers. The proposed model improves the performance of the multilayer perceptrons using the unique advantages of the probabilistic neural classifiers in detecting the break points and better and more complete modeling of the specific patterns in the under-study time series. Empirical results of exchange rate forecasting indicate the efficiency of the proposed model in comparison with other models.