پيش بيني قيمت خرده‌فروشي و عمده‌فروشي ماهي قزل آلا با استفاده از شبكه عصبي مصنوعي و مدل ARMA

Forecasting Wholesale and Retail Prices of Rainbow Trout Fish Using Artificial Neural Network and ARMA Model

توجه به ثبات نسبي و پيش بيني قيمت، مي‌تواند نقش مهمي در كنترل ناپايداري قيمت‌ها و در نهايت كاهش ريسك بازار داشته باشد. در موضوع پيش بيني، مهم‌ترين بخش مقايسه ي روش‌هاي مختلف است. در اين پژوهش با مقايسه ي قدرت پيش بيني دو روش ARMA و شبكه ي عصبي مصنوعي و با انتخاب روش بهتر، قيمت‌هاي هفتگي خرده‌فروشي و عمده‌فروشي ماهي قزل‌آلا پيش بيني مي‌شود. در اين مطالعه از شبكه ي پيش‌خور كه از نوع شبكه‌هاي پس انتشار (Back Propagation) است، استفاده مي‌شود. داده‌هاي مورد استفاده در مطالعه شامل قيمت‌هاي هفته ي اول فروردين 1388 تا هفته ي آخر شهريور 1390 مي‌باشد. قبل از استفاده از روش هاي پيش بيني تصادفي يا غيرتصادفي بودن داده‌ها مورد بررسي قرار گرفت. بر اساس آزمون‌هاي تصادفي بودن والد-ولفويتز، واليس-مور و دوربين-واتسون هر دو سري قيمت غيرتصادفي و قابل پيش‌بيني هستند. بر اساس آزمون ايستايي داده‌ها (ديكي-فولر تعميم يافته) سري‌ها در سطح ايستا مي‌باشند. نتايج پيش‌بيني نشان مي‌دهد كه مدل ARMA در مقايسه با مدل شبكه عصبي مصنوعي، بر اساس چهار معيار ارزيابي دقت پيش‌بيني، ميزان خطاي كمتري دارد و در نتيجه قدرت بالاتري در پيش‌بيني قيمت ماهي قزل‌آلا دارد. در مدل شبكه عصبي 80% داده‌ها براي آموزش شبكه و 20% براي داده‌هاي آزمايشي در نظر گرفته شد. نتايج آزمون برابري دقت دو روش (MGN) نشان مي‌دهد كه مدل ARMA در پيش‌بيني قيمت خرده‌فروشي و قيمت عمده‌فروشي نيز به طور معني‌داري بهتر از مدل شبكه عصبي است. طبقه بندي JEL:

Paying attention to the relative stability and forecasting prices could play an important role in controlling the instability of prices and ultimately reduce market risk. Comparison of different methods is important in the forecasting issues. In this study wholesale and retail prices (weekly prices) of Rainbow Trout Fish were forecasted and compared with ARMA and Artificial Neural Network methods. Feed-forward network that is one of back propagation networks was used. The data are from first week of March 2009 to last week of September 2011. Series were stationary at levels based on data stationary test (Dicky-Fuller augmented). Results showed that ARMA compared with artificial neural network had less error based on four evaluation criteria and therefore, it was superior in forecasting the price of Rainbow Trout Fish. In ANN model 80% of data for training network and 20% for testing network were used .The results of accuracy equality test of two methods (MGN) showed that ARMA method was also better than the neural network method in forecasting retail and wholesale prices