روش حداقل مربعات معمولی، الگوریتم پس انتشار خطا

Composite image. Businessman confuse to choose which direction to go. Rear view. Grunge background

2867/137
09948/0
همانطور که از جدول (2-4) مشخص میشود، روش شبکههای عصبی فازی از نظر تمامی معیارهای عملکرد بر روش آریما برتری دارد.
با توجه به اینکه شبکههای فازی نسبت به روش آریما در هر شش معیار ارزیابی عملکرد برتری دارد، از این روش برای پیشبینی تقاضای اشتراک برای ماه آینده (4 هفته آتی) استفاده میشود.
مطالعات خارجی
درخارج از کشور نیز مطالعات گستردهای در زمینه پیشبینی از طریق روشهای آماری وشبکههای عصبی مصنوعی صورت گرفته است و در بیشتر آنها نیز به برتری شبکههای عصبی مصنوعی از نظر دقت پیشبینی اشاره شده است.
کاربرد شبکههای عصبی در اقتصاد و اقتصادسنجی با مطالعه وایت (1993) روی بازارهای مالی و پیشبینی قیمت سهام آغاز شد.
آبورتو و وبر (2007) یک مدل هوشمند ترکیبی را با ادغام مدلهای آریما و شبکه عصبی مصنوعی برای پیشبینی تقاضا در زنجیره تامین یک سیستم جایگزینی در یک شرکت بزرگ موادغذایی واقع در شیلی ارایه کردند.
افندیگیل، اونات و قهرمان (2009) به پیشبینی تقاضای زنجیره تامین یک شرکت فروشنده کالاهای مصرفی با دوام در ترکیه با شبکههای عصبی مصنوعی و آریما پرداخته و نشان دادند که شبکه عصبی دارای عملکرد بهتری در مقایسه با آریما در پیشبینی تقاضا است.
بیلدیز و همکاران (2008) در پژوهشی به استفاده از شبکه عصبی مصنوعی به منظور پیشبینی شاخص 100 ملی بورس استانبول پرداختهاند. هدف این مطالعه بکارگیری مدل شبکه عصبی مصنوعی در پیشبینی جهت شاخص 100 ملی بورس استانبول است. متغیرهای این پژوهش بالاترین و پایینترین قیمت روز و قیمت بسته شدن و نرخ دلار است. متغیر وابسته جهت شاخص در روز بعد است که عدد یک بیانگر رشد و عدد صفر بیانگر کاهش شاخص است. نتیجه این پژوهش پیشبینی مناسب جهت شاخص با استفاده از شبکه عصبی مصنوعی طراحی شده است.
موهان و همکاران (2006) در تحقیقی با عنوان مدل شبکه عصبی مصنوعی برای پیشبینی شاخص بورس در بازار بورس بمبئی، دو مل شبکه عصبی با نام های ارایه نمودند. این دو مدل شبکه عصبی برای پیشبینی شاخص بورس با اطلاعات 250 هفته آموزش داده شدند. این دو شبکه برای پیشبینی شاخص بورس به طور هفتگی به کار گرفته شده بودند. در نهایت شبکه عصبی اول با خطای کمتر عملکرد بهتری از خود نشان داد.
کومار و همکاران (2005) جهت بهینه سازی عرضه پول نقد، اقدام به پیشبینی تقاضای آن با استفاده از مدلهای شبکه عصبی مصنوعی و سریهای زمانی بر اساس دادههای حقیقی پول نقد یکی از شعب بانک در هندوستان برای دوره زمانی دوم آپریل تا سیام جون 2004 نمودند. نتایج نشان داد که شبکههای عصبی مصنوعی عملکرد بهتری از روشهای سری زمانی دارند.
ووتی سانگ و همکاران (2005) به دنبال پیشبینی بازده سهام، در پژوهشی به بررسی سودمندی استفاده از شبکه عصبی مصنوعی پرداختند. در این مطالعه از شبکه عصبی مصنوعی برای تحلیل شاخص بازار بورس تایوان و شاخص امریکا استفاده نمودند. دوره زمانی این مطالعه اول ژانویه 1970 تا دسامبر 2005 است و متغیرها شامل قیمت باز و بسته شدن و پایینترین و بالاترین قیمت سهامها است. مدل شبکه عصبی پیشنهادی این پژوهش نه تنها ریسک سرمایهگذاری را کاهش میدهد بلکه همچنین سرمایهگذاران کوچکتر را در محافظت از داراییهایشان در مقابل بی ثباتی بازار کمک می کند و نتایج این پژوهش حاکی از آن است که استفاده از مدل شبکه عصبی در هر دو بازار سودمند است.
الگی، اوزاتوران دور (2004) به پیشبینی بازار سهام با استفاده از شبکه عصبی مصنوعی و مدل میانگین متحرک پرداختهاند. هدف این پژوهش بکارگیری شبکه عصبی مصنوعی برای پیشبینی بازار بورس استانبول است. دادههای ورودی به سیستم شامل شاص روز قبل، نرخ برابری ارز روز قبل، نرخ بهره روز قبل، و پنج متغیر دیگری که هر کدام نشانگر یک روز کاری در هر هفته میباشند، تعیین گردیده بود. بازه زمانی این پژوهش از اول ژانویه 2001 تا 28 فوریه 2003 است و نتایج بکارگیری شبکه عصبی مصنوعی با مدل میانگین متحرک مقایسه میشود که در نهایت به این نتیجه میرسند که مدل شبکه عصبی مصنوعی عملکرد بهتری نسبت به مدل میانگین متحرک دارد.
هروی و همکاران (2004)، توانایی شبکه عصبی مصنوعی را با یک فرآیند خود رگرسیو (AR) در پیشبینی تولیدات صنعتی سه کشور اروپایی المان؛ فرانسه و انگلیس مورد مقایسه قرار دادند. برای این منظور از معیار ریشه میانگین مجذور خطا (RMSE) استفاده شده است. نتایج مطالعه نشان داد که شبکه عصبی مصنوعی در افقهای زمانی کمتر از 12 ماه دارای خطای پیشبینی کمتری در مقایسه با فرآیند خودرگرسیو است.
اولسون و موس من (2003)، بر خلاف سایر مطالعات قبلی از شبکه عصبی علاوه بر پیشبینی، در گروهبندی بازارهای مالی نیز استفاده نمودهاند. در این مطالعه شبکه عصبی مصنوعی پس انتشارخطا با مول لوجیت و روش حداقل مربعات معمولی (OLS) مقایسه شد. دادههای بکار رفته در این پژوهش بازده سهام 2352 شرکت کانادایی برای دوره 1976 تا 1933 است. نتایج مطالعه حاکی از ان است که شبکه عصبی توانایی بیشتری در شناسایی روابط غیرخطی بین متغیر وابسته و مستقل دارد و بنابراین پیشبینیهای دقیقتری نیز تولید مینماید.
ییم (2002) با استفاده از مدل شبکه عصبی شاخص روزانه سهام برزیل را پیشبینی نموده و نتایج پیشبینی را با استفاده از معیارهای RMSE و MAE و آزمون چنگ و هندری با نتایج پیشبینی مدلهای (GARCH و ARMA) و ساختاری مقایسه نموده و برتری شبکه عصبی را نشان داده است. وی برای برآورد مدل از دادههای روزانه این شاخص از 30 جولای 1994 تا 30ژو
ئن 1998 استفاده نموده است.
چرچ و همکاران(1996) به منظور بررسی امکان ادامه روند کاهشی نرخ رشد مخارج مصرفکنندگان انگلیسی در دهه 80 میلادی، مخارج مصرفکنندگان را با استفاده از مدلهای اقتصادسنجی و شبکه عصبی مصنوعی برای دهه 90 بر اساس دادههای فصلی دوره زمانی 1967 تا 1990 پیشبینی کردند. نتایج این پژوهش حاکی از آن است که شبکههای عصبی به خوبی میتوانند مخارج مصرفکنندگان این کشور را پیشبینی نمایند.
کو، چن و هوانگ (2001) در مقالهای با عنوان “یک سیستم هوشمند پشتیبان تصمیمگیری معاملات سهام با به کارگیری و اجتماع الگوریتمهای ژنتیک مبتنی بر شبکه عصبی فازی و شبکه عصبی مصنوعی” به ایجاد سیستمی مشاورهای در خصوص حفظ، فروش یا خرید سهام در بازار بورس مبادرت نمودهاند. ویژگی سیستم ایجاد شده، فراهم نمودن امکان کمی کردن متغیرهای کیفی دخیل در پیشبینی قیمت سهام است. این محقق در سال 1988، مقالهای با عنوان مشابه بدون در نظر گرفتن الگوریتمهای ژنتیک انجام داده است. در مقاله مذکور پرسشنامهای با روش فازی دلفی جهت استفاده از نظر خبرگان در پیشبینی قیمت سهام مورد استفاده قرار گرفته است.
تکاز (2001)، با استفاده از شبکه عصبی مصنوعی و مدل خطی و تک متغیره، رشد تولید ناخالص داخلی (GDP) کشور کانادا را پیشبینی نموده است. نتایج مطالعه نشان داد که شبکه عصبی مصنوعی دارای خطای کمتر نسبت به مدل خطی و تک متغیره در پیشبینیهای سالانه تولید ناخالص داخلی است. با این حال برتری در پیشبینیهای فصلی کمتر دیده شد. این پژوهش برای مقایسه قدرت پیشبینی روشهای مختلف از معیار MSE و معیار میانگین مطلق خطا (MAE) استفاده نموده است.
دونیس و جلیلوف(2001) با استفاده از مدل شبکه عصبی به برآورد چهار شاخص بازار سهام یعنی FTSE100, S&P500, EUROSTOXX50, NIKKEI225 پرداختهاند. آن ها برای تخمین مدل از دادههای روزانه 31 ژانویه 1994 تا 4 می 1999، و برای پیشبینی خارج از نمونه از دادههای 5 می 1999 تا 6 ژوئن 2000 استفاده نمودهاند. سپس آن ها نتایج پیشبینی مدل را با پیشبینی روشهای تجاری مانند خرید و نگهداری، انتظارات تطبیقی ساده و سبد میانگین متحرک (BMA) با استفاده از معیارهای مختلف مانند نسبت شارپ و آماره t مربوط به سود سهام مقایسه نموده و برتری شبکه عصبی را نشان دادهاند.
مشیری و همکاران (1999)، نرخ تورم کانادا را با استفاده از مدلهای مختلف شبکه عصبی از جمله شبکه عصبی پیش خور سه لایه و پایه شعاعی (RB) و همچنین یک مدل اقتصادسنجی ساختاری و مدل خودرگرسیو برداری (VAR)، در سه افق زمانی پیشبینی نموده و نتایج این پیشبینیها را مورد ارزیابی و مقایسه قرار دادند. در این پژوهش از دادههای ماهانه دوره 1970 تا 1994 استفاده شد. نتایج مطالعه حاکی از آن است که مدلهای شبکه عصبی با الگوریتم پس انتشار در پیشبینی ایستا، همسطح و یا بهتر از دیگر شبکهها و مدلهای اقتصادسنجی بکار رفته در این مطالعه عمل میکنند. همچنین در پیشبینی پویا شبکه عصبی باالگوریتم پس انتشار خطا بطور کلی عملکرد بهتری از مدل اقتصاد سنجی ساختاری دارد.
کهزادی و همکاران (1996)، با استفاده از شبکه عصبی مصنوعی پیشخور، علاوه بر پیشبینی قیمت گندم و گاو زنده و مقایسه مدل شبکه عصبی و فرآیند آریما، قدرت این دو مدل را در استخراج نقاط برگشت مورد ارزیابی قرار دادند. در این پژوهش از قیمت ماهانه گندم و گوشت گاو برای دوره زمانی 1950-1990 استفاده شد. نتایج مطالعه حاکی از آن است که متوسط معیار MSE مدلهای شبکه عصبی در پیشبینی قیمت گندم و گاو به ترتیب 27 و 56 درصد کمتر از فرآیند آریما است. همچنین شبکه عصبی توانایی بیشتری در استخراج نقاط برگشت دارد.
پارچوگال (1995)، دقت پیشبینی تولید ناخالص بخش صنعت در برزیل را با استفاده از روش شبکه عصبی مصنوعی و فرآیند آریما مورد مقایسه قرارداد. در این مطالعه از دادههای ماهانه دوره ژانویه 1981 تا دسامبر 1992 جهت مدلسازی استفاده شد و در نهایت دادههای هفت ماه بعد پیشبینی و مورد مقایسه قرار گرفت. در این مطالعه بر خلاف سایر مطالعات معمول، از یک شبکه 4 لایه با دو لایه مخفی استفاده شد. نتایج مطالعه نشان داد که فرآیند آریما برتری بیشتری در مقایسه با مدل شبکه عصبی دارد. پارچوگال بر این باور است که علت اصلی عدم موفقیت شبکه عصبی در این مطالعه عدم وجود قاعده و آزمونی مطمئن جهت انتخاب ساختار مناسب شبکه عصبی است و با توجه به این مطلب که نتایج فوق برگرفته از یک مطالعه خاص است، نمیتوان نتایج آن را عمومیت بخشید.
روش شناسی پژوهش