مقايسه دقت مدل هاي فراابتكاري و اقتصادسنجي در پيش بيني سري-هاي زماني مالي داراي حافظه بلندمدت

Comparing the accuracy of the model Meta heuristic and Econometric in forecasting of financial time series with long-term memory

داده هاي با تناوب بالا نوع خاصي از نامانايي دارند كه به آن نامانايي كسري گفته مي شود. اين ويژگي سبب پديدآمدن حافظه بلندمدت در سري هاي زماني مالي با تناوب بالا مي شود. در اين نوشتار ابتدا وجود حافظه بلندمدت در سري زماني صنعت سيمان بررسي شده و وجود آن در سطح اطمينان بالايي توسط دو آزمون R/S و GPH تاييد مي شود. در ادامه، دقت مدل هاي پيش بيني سري هاي زماني مالي نظير، ARMA و GARCH كه ويژگي حافظه بلندمدت را در مدل سازي سري زماني در نظر نمي گيرند و مدل هايي مثل ARFIMA و FIGARCH، كه اين ويژگي را مدنظر قرار مي دهند، با روش نوين فراابتكاري ارايه شده كه تركيبي از الگوريتم جستجوي هارموني و سري هاي زماني فازي وزن دار مي-باشد به روش پنجره غلتان و با استفاده از معيار ريشه ميانگين توان دوم خطاها (RMSE) در بازه هاي زماني مختلف مورد مقايسه قرار مي گيرد. نتايج حاصل نشان مي دهند كه روش فراابتكاري ارايه شده در تمامي بازه هاي زماني نتيجه بهتري از مدل هاي متداول اقتصادسنجي ارايه مي دهد.