به‌كارگيري مدل ميانگين متحرك خودرگرسيون انباشته فازي به منظور پيش‌بيني نرخ ارز

Using a Fuzzy Auto Regressive Integrated Moving Average Model for Exchange Rate Forecasting

در دنياي امروز به كارگيري روشهاي كمي پيش بيني در زمينه هاي مختلف مورد توجه گسترده قرار گرفته است. تغييرات سريع محيطهاي ناشناخته در دنياي واقعي و به ويژه بازارهاي مالي سبب ايجاد مشكلاتي براي پيش بيني كنندگان به منظور تأمين داده هاي مورد نياز شده است. مدلهاي ميانگين متحرك خود رگرسيون انباشته (ARIMA) داراي محدوديت تعداد داده هاي گذشته بوده و شبكه-هاي عصبي مصنوعي (ANNs) نيز به منظور حصول نتايج دقيق احتياج به داده هاي زيادي داردن. مدلهاي رگرسيون فازي، مدلهايي مناسب در شرايط پيش بيني با داده هاي قابل حصول كم اند. در اين مقاله به منظور برطرف ساختن مشكل مذكور و حصول نتايج دقيقتر، مدلهاي ميانگين متحرك خود رگرسيون انباشته با رگرسيون فازي تركيب شده ان. نتايج حاصله از به كارگيري روش تركيبي در بازار ارز بيانگر كارامدي اين روش در پيش بيني بازه تغييرات نرخ ارز بوده است.

Forecasting models have wide applications in decision making. In the real world, rapid changes normally take place in different areas, specifically in financial markets. Collecting the required data is a main problem for forecasters in such unstable environments. Forecasting methods such as Auto Regressive Integrated Moving Average (ARIMA) models and also Artificial Neural Networks (ANNs) need large amounts of historical data. Although fuzzy forecasting models such as fuzzy regression are suitable metods when the data available is scant, their performance is not satisfactory at times. In this paper, a new Fuzzy Auto Regressive Integrated Moving Average (FARIMA) is presented. The proposed model can be run with less data, so it is more suitable than other models for cases where there are limited data available. The results obtained on exchange rate forecasting reveal the efficiency of the proposed model.