پيش بيني نرخ ارز در بازار سرمايه با استفاده از مدل هاي ميانگين متحرك خود رگرسيون انباشته و شبكه عصبي )مطالعه موردي: دلار استراليا، دلار كانادا، ين ژاپن و پوند انگلستان(

Forecasting exchange rate in the capital market with the Autoregressive Integrated Moving Average and neural networks models (case study: Australian dollar, Canadian Dollar, Japanese Yen, United Kingd

سياست گذاران پولي به منظور جلوگيري از زيان هاي ناشي از تغييرات از هم گسيخته نرخ ارز، همواره درصدد يافتن روشي مناسب براي پيش بيني نرخ ارز بوده اند. ليكن ويژگيهاي چند بعدي نرخ ارز باعث رفتار پيچيده و غيرخطي آن شده است. يكي از روش هاي سنتي پي بيني، تجزيه و تحليل سري زماني است كه بر دو فرض ايستايي و خطي بودن بنيان نهاده شده است. در مورد عملكرد اين مدل هاي سنتي بعضاٌ ترديدهاي ايجاد شده است. يكي از روش هاي جايگزين، شبكه هاي عصبي مصنوعي است كه در برخي از موارد توانايي بالقوه خوبي براي پيش بيني سريهاي زماني از خود نشان دادهاند. در اين مقاله، پس از مرور پژوهش هاي انجام شده در مورد توانايي پيش بيني مدل هاي خود توضيح جمعي ميانگين متحرك 1 و شبكه هاي عصبي مصنوعي 2 ، به مقايسهي اين دو روش براي پيش بيني نرخ روزانه ارز در 2112 پرداخته شده است. نتايج /1/ 1991 لغايت 1 /1/ دوره ي از سال 1 تحقيق نشان داده است كه روش شبكه هاي عصبي تخمينهاي بهتري نسبت به روش ميانگين متحرك خود رگرسيون انباشته ارايه ميكند . در اين پژوهش، از ابزارهاي محاسباتي نرم افزار STATGRAPHICS و MATLABو دادههاي اقتصادي كشورهاي استراليا، كانادا، ژاپن و انگلستان و نرخ ارز 3 آن كشورها نسبت به دلار آمريكا استفاده شده است.

Monetary policy in order to prevent losses arising from changes in exchange rates of disruptive are Always trying to find a suitable method to predict exchange rates. However, multi-dimensional characteristics of the converter makes it is complicated and nonlinear behavior. One of the traditional methods of forecasting, time series analysis, which is based on two as sumptions static linearity. Some doubts about the performance of these traditional models have been created One of the alternative methods, artificial neural networks that In some cases are shown a good potential for time series prediction. In this Article , After reviewing the research conducted to clarify the predictive ability of mass moving average models and Artificial Neural Networks to compare The two methods for the prediction of the daily exchange rate has been made in the period from 01.01.1990 till 01.01.2012. The results showed that the neural network approach estimates the Autoregressive Integrated Moving Average (ARIMA) method provides better responses. In this study, MATLAB software and computational tools and data STATGRAPHICS economies of Australia, Canada, Japan and the United Kingdom, and the dollar exchange rate in those countries than in America is using.