مقايسه عملكرد شبكه هاي عصبي مصنوعي(ANN)و مدل ميانگين متحرك انباشته اتورگرسيو (ARIMA) در مدلسازي و پيش بيني كوتاه مدت روند نرخ ارز در ايران

Comparing the performance Of Artificial Neural Networks(ANN) and Auto Regressive Moving Average(ARIMA) Model in Modeling and Forecasting Short-term Exchange Rate Trend in Iran

نرخ ارز و نوسانات آن به عنوان يكي از مهمترين مسايل بخش بازرگاني خارجي هر كشور از اهميت ويژه اي برخوردار است. عوامل زيادي همچون عوامل اقتصادي، سياسي، و رواني بر نرخ ارز تاثيرگذار هستند و اين عوامل خود باعث ايجاد شرايط نااطميناني بيشتر مي شوند. در اين راستا تلاش سياست گذاران در كاهش اين نااطميناني از طريق پيش بيني اين متغير باكمترين خطا بوده است. شبكه هاي عصبي مصنوعي از قابليت بالايي در مدلسازي فرآيندهاي پيچيده و پيش بيني مسيرهاي غيرخطي پويا برخوردار هستند. لذا در اين مطالعه سعي گرديده است تا با استفاده از شبكه عصبي مصنوعي(ANN) علاوه بر مدل سازي و پيش بيني روزانه نرخ ارز طي دوره زماني فروردين 1381 تا اسفند 1384، و كمينه نمودن خطاي پيش بيني توسط اين روش، نتايج آن با مقادير پيش بيني شده توسط مدل ARIMA بر اساس معيارهاي اندازه گيري دقت پيش بيني، مورد مقايسه قرار گيرد. براي بررسي حساسيت نتايج مدل نسبت به نرخ ارز، تخمين مدل با روش مشابه براي سه دسته داده نرخ ارز دلار، يورو و پوند انجام گرفته است. نتايج تحقيق نشان مي دهد كه شبكه عصبي مورد استفاده، نسبت به مدل ARIMA از قدرت پيش بيني بهتري برخوردار است و قيمت نرخهاي ارز پوند و يورو تابعي از قيمتهاي روز گذشته خود و قيمت نرخ ارز دلار تابعي از قيمت 6 روز گذشته خود است.

Exchange rate and its related fluctuation plays a significant role as one of the most important issues of each countryʹs foreign trade sector. Many factors such as economic, politics, and psychological factors impress on exchange rates and these factors create more uncertainty situations. Policymakers’ attempt is to reduce this uncertainty via forecasting this variable with minimal error.Artificial neural networks have high potential in modeling complex processes and forecasting dynamic nonlinear paths .Therefore, in this study has tried to use the artificial neural network (ANN) In addition to modeling and forecasting daily exchange rates during the period of March 2002 to March 2005, and minimizing the forecast error by this method, its results were compared with that of ARIMA based on forecasting accuracy evaluation criteria , and to examine the sensitivity of model results toward exchange rates.Estimation of the model with the same method for three data sets exchange rate including dollar,euro and pound have been performed .Results indicate that used neural network has better predictive power in comparison with arima model while pound and Euro exchange rates’ prices are function of their yesterday prices and dollar exchange rate price is a function of its price over the past 6 days