برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود
(در فایل دانلودی نام نویسنده موجود است)
تکه هایی از متن پایان نامه به عنوان نمونه :
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
فهرست مطالب:
فصل یکم: مقدمه و کلیات
مقدمه. 3
1-1. بیان مساله. 4
1-2. پرسش پژوهش… 8
1-3. فرضیههای پژوهش… 8
1-4. اهداف پژوهش… 9
1-5. روش پژوهش… 9
1-6. تعریف واژگان کلیدی.. 11
1-7. سازماندهی پژوهش… 11
فصل دوم: ادبیات موضوع
مقدمه. 13
2-1. مبانی نظری.. 13
2-1-1. تحلیل فنی.. 15
2-1-1-1. مبانی تحلیل فنی.. 16
2-1-1-2. پایه و اساس تحلیل فنی.. 17
2-1-2. تحلیل بنیادی.. 18
2-1-2-1. نقاط ضعف تحلیل بنیادی.. 19
2-1-3. فرضیه گام تصادفی.. 20
2-1-4. انواع نظامهای ارزی.. 20
2-1-4-1. نظامهای ارزی شناور. 22
2-1-4-2. نظامهای ارزی میانه. 24
2-1-4-3. نظامهای ارزی میخکوب شده نرم. 25
2-1-4-4. نظامهای ارزی میخکوب سخت… 27
2-1-5. دیدگاههای مختلف در ادبیات نرخ ارز. 28
2-1-5-1. دیدگاه سنتی نرخ ارز. 28
الف. روش کششها 28
ب. الگوی برابری قدرت خرید ( ). 30
ج. الگوی ماندل – فلمینگ ( ). 32
2-1-5-2. دیدگاه جدید دارایی.. 34
الف. الگوهای پولی تعیین نرخ ارز. 34
ب. الگوی تعادل پورتفولیو. 37
2-2. مطالعات انجام شده 38
2-2-1. مطالعات خارجی.. 38
2-2-2. مطالعات داخلی.. 46
2-3. مروری بر تحولات ارزی ایران. 48
2-3-1. تحولات ارزی تا زمان وقوع انقلاب اسلامی.. 48
2-3-2. تحولات ارزی پس از وقوع انقلاب اسلامی.. 50
فصل سوم: روش پژوهش
3-1. مقدمه. 55
3-2. حدود پژوهش و روش جمعآوری دادهها و اطلاعات.. 55
3-3. پیش بینی.. 56
3-4. الگوهای پیشبینی سریهای زمانی.. 57
3-4-1. الگوی خودرگرسیون میانگین متحرک انباشته ( ). 58
3-4-1-1. تاریخچه خودرگرسیون میانگین متحرک انباشته. 58
3-4-1-2. ویژگیهای روش خودرگرسیون میانگین متحرک انباشته. 59
3-4-1-3. الگوسازی ، و .. 60
3-4-1-4. الگوی خودرگرسیون میانگین متحرک انباشته. 62
3-4-1-5. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته. 63
3-4-2. الگوهای شبکههای عصبی مصنوعی ( ). 64
3-4-2-1. تاریخچه شبکههای عصبی مصنوعی.. 64
3-4-2-2. مبانی شبکههای عصبی مصنوعی.. 65
3-4-2-3. مزیتها و معایب شبکههای عصبی مصنوعی.. 66
3-4-2-4. ساختار شبکههای عصبی مصنوعی.. 66
3-4-2-5. دستهبندی دادهها 68
3-4-2-6. واحدهای پردازش… 69
3-4-2-7. انواع توابع فعالسازی (تبدیل). 69
3-4-2-8. انواع شبکههای عصبی.. 71
3-4-2-9. مراحل اساسی ساخت یک شبکه عصبی مصنوعی.. 74
3-4-2-10. الگوریتمهای آموزش شبکههای عصبی مصنوعی.. 75
3-4-2-11. شبکههای پرسپترون چند لایه ( ). 76
3-4-2-12. معیارهای خطا 79
3-4-3. مفاهیم فازی.. 80
3-4-3-1. تاریخچه نظریه فازی.. 80
3-4-3-2. مجموعههای فازی.. 81
3-4-3-3. عملگرهای فازی.. 82
3-4-3-4. اصل گسترش در مجموعههای فازی.. 82
3-4-3-5. عدد فازی.. 83
3-4-3-6. مبانی رگرسیون فازی.. 85
3-5. الگوی هوش محاسباتی ترکیبی.. 87
فصل چهارم: یافتههای پژوهش
4-1. مقدمه. 96
4-2. مجموعهی دادهها 96
4-3. آمادهسازی دادههای ورودی.. 97
4-4. برازش الگوی خودرگرسیون میانگین متحرک انباشته. 98
4-5. طراحی و آموزش یک شبکه عصبی مصنوعی.. 105
4-5-1. انتخاب نوع شبکه. 106
4-5-2. تعیین تعداد لایهها 106
4-5-3. تعیین تعداد نرونهای هر لایه. 107
4-5-4. تعیین توابع فعالسازی.. 110
4-5-5. تعیین الگوریتم آموزش… 110
4-5-6. مجموعههای آموزش و آزمون. 111
4-5-7. معیار سنجش عملکرد. 111
4-6. فازیسازی الگوی طراحی شده. 113
4-7. فازیسازی تجدید نظر شده و نهایی سازی مقادیر ضرایب.. 117
4-8. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها 118
4-9. آزمون فرضیههای پژوهش… 119
فصل پنجم: خلاصه، نتیجهگیری و پیشنهادها
5-1. خلاصه و نتیجهگیری.. 122
5-2. پیشنهادها 123
منابع. 124
پیوست.. 132
فهرست شکلها
شکل (2-1): روشهای پیشبینی نرخ ارز. 15
شکل (3-1): نمایش لایهها در شبکه عصبی مصنوعی.. 67
شکل (3-2): ساختار کلی یک پرسپترون چند لایه. 77
شکل (4-1): نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 97
شکل (4-2): دادههای نرمال شده نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 98
شکل (4-3): مقادیر واقعی و پیشبینی شده الگوی 104
شکل (4-4): باقیماندههای الگوی . 105
شکل (4-5): عملکرد شبکه طراحی شده در دادههای آزمون و آموزش… 109
شکل (4-6): ساختار نهایی طراحی شده 112
شکل (4-7): مقادیر واقعی و برآورد شده توسط طراحی شده 113
شکل (4-8): مقادیر واقعی و حد بالا و پایین آنها (الگوی فازیسازی شده اولیه) 116
شکل (4-9): مقادیر واقعی و حد بالا و پایین آنها (الگوی فازیسازی شده نهایی) 11
فهرست جدولها
جدول (2-1): مزیتها و معایب نظامهای ارزی.. 21
جدول (3-1): متداولترین توابع فعالسازی شبکههای عصبی مصنوعی.. 70
جدول (4-1): تقسیمبندی دادهها به دادههای آموزش و آزمون. 99
جدول (4-2): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار در مقابل ریال) 100
جدول (4-3): مقادیر آکائیک در الگوی برآورد شده . 101
جدول (4-4): نتایج تخمین الگوی 107
جدول (4-5): معیارهای عملکرد الگوهای و 103
جدول (4-6): بررسی توابع فعالسازی.. 110
جدول (4-7): تقسیمبندی دادهها به دادههای آموزش و آزمون. 111
جدول (4-8): مقادیر مربوط به وزنها و بایاسهای طراحی شده 112
جدول (4-9): معیارهای عملکرد الگوی طراحی شده 113
جدول (4-10): مقادیر واقعی و حد پایین و بالای آنها (الگوی فازیسازی شده نهایی) 118
جدول (4-11): معیارهای عملکرد الگوی هوش محاسباتی ترکیبی.. 118
جدول (4-12): نتایج بهدست آمده از الگوها 11
فهرست علایم و اختصارات
میانگین مطلق خطا ( )
میانگین مربع خطا ( )
مجموع مربع خطا ( )
ریشه میانگین مربع خطا ( )
میانگین درصد مطلق خطا ( ) .
میانگین خطا ( ).
چکیده
پیشبینی از ابزارها و راهکارهای مؤثر به منظور برنامهریزی و تدوین روشهای مالی است. دقت پیشبینی از مهمترین عوامل مؤثر در انتخاب روش پیشبینی است. امروزه با وجود روشهای متعدد پیشبینی، هنوز پیشبینی دقیق نرخ ارز کار چندان سادهای نیست و اکثر محققان درصدد بهکارگیری و ترکیب روشهای متفاوت به منظور دستیابی به نتایج دقیقتر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهمترین و پرکاربردترین الگوهای سریهای زمانی هستند. مهمترین محدودیت آنها پیش‌فرض خطی‌بودن الگو است. شبكه‌های عصبی مصنوعی از جمله مهمترین و دقیق‌ترین روشهای حال حاضر جهت الگوسازی غیرخطی دادهها هستند. اما با وجود تمامی مزیتهای شبکههای عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیشبینی با دادههای کم است. امّا عملکرد آنها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکههای عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیتهای خطی و تعداد دادههای مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل 115 دادهی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازهگیری عملکرد پیشبینی الگوی ارایه شده از شاخصهای مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان میدهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیقتری در پیشبینی نرخ ارز (دلار در مقابل ریال) ارایه میدهد
مقدمه
پیشبینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامهریزیهای اقتصادی محسوب میشود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخشهای مختلف داخلی و خارجی اقتصادی یک کشور، همچون وضعیت تراز پرداختها و قدرت رقابت بینالمللی، نقش تعیینکنندهای در سیاستگذاریهای اقتصادی ایفا میکند. تغییرات نرخ ارز، بخشهای مختلف اقتصاد یک کشور را تحت تأثیر قرار میدهد. بنابراین، الگوسازی و پیشبینی روند آتی این متغیر برای ارایه سیاستها و رهنمودهای اقتصادی امری ضروری به نظر میرسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا میکند. از آنجا که قسمت اعظم درآمدهای ارزی کشور از طریق فروش نفت خام تأمین میشود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز میتواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازارهای داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگوسازی و پیشبینی نرخهای ارز پرداخته است.
بررسی ادبیات موضوع مربوط به پیشبینی در بازارهای مالی نشاندهندهی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیشبینی بوده و پیشبینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).
بهکارگیری روشهای ترکیبی یا ترکیب روشهای مختلف یک راه متداول به منظور رفع محدودیتهای روشهای تکی و بهبود دقت پیشبینیها است. ایدهی اساسی در ترکیب روشها بر این اساس استوار است که هیچ یک از روشهای موجود، یک روش جامع برای پیشبینی نبوده و قابلیت بهکارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روشهای مختلف میتوان نقاط ضعف یک روش را با استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).
بنابراین، در این پژوهش با بهکارگیری مفاهیم پایهای و مزیتهای منحصر به فرد هر یک از الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیقتر برای پیشبینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه میشود.
تعداد صفحه : 141
قیمت : 14700تومان