كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

شناسایی ساختار ARIMA با کمک خودرمزگذار نویزگیر: مطالعهای تطبیقی بر سریهای زمانی سالانه و ماهانه نرخ تبادل ارز

نویسندگان :

حسین یاراحمدی¹ فهیمه مطیعیان نجار²

1- دانشگاه تهران 2- دانشگاه تهران

کلمات کلیدی :

نرخ تبادل ارز،ARIMA،خودرمزگذار،Autoencoder،نویززدایی،انتخاب مرتبه مدل آماری،شبکههای عصبی مصنوعی،یادگیری عمیق

چکیده :

پیشبینی نرخ ارز به دلیل نوسانات و پیچیدگی رفتار سریهای زمانی، از مسائل مهم در مدلسازی اقتصادی و مالی است. در مدلهای خودرگرسیونی میانگین متحرک یکپارچه ، انتخاب ساختار مناسب نقش مهمی در عملکرد پیشبینی دارد و نویز میتواند بر فرآیند شناسایی آن اثرگذار باشد. اگرچه روشهای کاهش نویز معمولاً بهعنوان مرحلهای پیش از پیشبینی بهکار میروند، نقش آنها در شناسایی ساختار مدل کمتر مورد توجه قرار گرفته است. در این پژوهش، از خودرمزگذار نویزگیر بهعنوان پیشپردازش برای شناسایی ساختار ARIMA استفاده میشود؛ به این ترتیب که خروجی کاهشیافتهی از نویز، ساختار مدل را تعیین کرده و سپس همان ساختار بدون تغییر بر دادههای اصلی اعمال میشود. روش پیشنهادی روی دو سری زمانی نرخ تبدیل دلار به پوند (سالانه با 66 مشاهده و ماهانه با 666 مشاهده) ارزیابی و با روش سنتی (شناسایی ساختار از دادههای اصلی) مقایسه شد. نتایج نشان داد که ساختار مدل در سری سالانه از (5،1،7) به (4،2،5) و در سری ماهانه از (0،1،9) به (14،1،0) تغییر کرد. در سری سالانه، این تغییر ساختار با کاهش خطای ریشهی میانگین مربعات از 0٫097 به 0٫045 و خطای قدرمطلق میانگین از 0٫091 به 0٫039 در مجموعهی آزمون همراه بود. نتایج نشان میدهد که کاهش نویز پیش از شناسایی ساختار میتواند به انتخاب ساختاری متفاوت در برخی سریها منجر شود، اما اثر این تغییر بر عملکرد پیشبینی در سریهای مورد بررسی یکسان نیست.