پيش‌بيني نرخ ارز با استفاده از شبكه هاي عصبي و تبديل موجك

Forecasting Exchange Rates using Neural Networks and Wavelet Transformation

پيش‌بيني نرخ‌هاي ارز يكي از مسايل مهم مالي است كه به خاطر مشكلات ذاتي و كاربردهاي عملي آن توجه زيادي را به خود جلب كرده است. روش‌هاي تجزيه و تحليل سري‌هاي زماني به طور سنتي بر دو مفهوم مانايي و خطي بودن بنيان نهاده شده‌اند. اما در مواردي كه پويايي سيستم ويژگي غير خطي بالايي را نشان مي‌دهد، عملكرد اين مدل‌هاي سنتي عمدتاً ضعيف مي‌باشد. از طرف ديگر شبكه‌هاي عصبي مصنوعي و تبديل موجك توانايي بالقوه خوبي براي پيش‌بيني سري‌هاي زماني از خود نشان داده‌‌اند. از اين‌رو در اين مقاله روش پيش‌بيني ارايه مي‌شود تا قدرت شبكه‌هاي عصبي و تبديل موجك را با هم تركيب مي‌كند. در اين روش نرخ‌هاي ارز اصلي كه بايد پيش‌بيني شوند، در ابتدا با استفاده از تكنيك موجك به مولفه‌هاي مقياسي متفاوتي تجزيه مي‌شوند. در مرحله بعد تكنيك شبكه‌هاي عصبي براي مدل‌بندي هر كدام از مولفه‌هاي سري‌هاي زماني بكار گرفته مي‌شود و پيش‌بيني نهايي سري‌هاي زماني اصلي با تركيب پيش‌بيني اين مولفه‌ها بدست مي‌آيد. اين روش براي پيش‌بيني يك و ده گام به جلوي نرخ‌هاي ارز روزانه بكار گرفته مي‌شود. نتايج نشان مي‌دهد كه عملكرد اين روش پيشنهادي در مقايسه با مدل شبكه عصبي و مدل ARIMA در پيشبيني‌‌ها از يك گام تا 5 گام به جلو بهتر است.

Forecasting currency exchange rates is an important financial problem that has received a great deal of attention especially because of its intrinsic difficulty and practical applications. The methods used for time series analyses are conventionally based on the concepts of stationarity and linearity. However, for cases in which the system dynamics are highly nonlinear, the performance of traditional models is very poor. On the other hand, artificial neural networks and wavelet transformation have demonstrated great potential for time series forecasting. Therefore in this thesis we propose a forecasting approach which combines the strengths of neural networks and wavelet transformation. In this approach the original exchange rates to be forecasted is first decomposed into various scale components using wavelet transformation. In the next step neural network techniques is applied for modeling components of the decomposed series. The final forecast of the original series is obtained by combining the components series forecasts. This approach is used for forecasting one-and ten-step ahead forecasts of daily exchange rates and its performance is compared whit those of ARIMA and neural network models. Results show that performance of the proposed method in two and five-step ahead forecasting is better as compared to those of other models.