پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,758 |
| تعداد مشاهده مقاله | 115,124,983 |
| تعداد دریافت فایل اصل مقاله | 89,893,006 |
ارزیابی روش های پیش بینی ترکیبی : با رویکرد شبکه های عصبی - کلاسیک در حوزه اقتصاد | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 3، دوره 38، شماره 2، دی 1382 اصل مقاله (668.13 K) | ||
| نویسندگان | ||
| دکتر علی رجب زاده؛ دکتر عادل آذر* | ||
| چکیده | ||
| در إین مقاله با استفاده از اطلأعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیر ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: ر و شهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی. در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شودکه قیمت و بازده سهام (در هر 6 سهم مربوط به صنابع مختلف) از نگاشهای پیچیده غیر خطی و آشوبگرانه به وجود آمده اند و اساسآ استفاده از انواع مختلف روشهای خطی صحیح نمی باشد. همچنین نشان داده می شودکه استفاده از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد. | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ پیش بینی ترکیبی؛ رگرسیون چند متغیره؛ سریهای زمانی؛ شبکه های عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In this research, combined forecasting is considered. This model is a new approach that is used in two recent decades and indicates considerable reduction of error in forecasted numbers. In this study, at first, forecasting was done with some different methods that named individual methods. These models consist of exponential smoothing methods, trend analysis, and box-Jenkins. Causal analysis and neural network model. Results of these individual forecasting methods (some selected model) are combined and compared with artificial neural network and multiple regression models. Used data consist of OPEC oil demand from 1960 to 2002 as dependent variable and price, GDP, other energy demand, population, added value in industry as independent variables. In mono-variable methods only dependent variable is entered. Data of 1960-1996 are used for all variables and testing. Data is put under observation between 1996 to 2002. Computed MSE, MAPE, GAPE indexes is shown considerable reduction in errors of forecasting. Keyword: Macroeconomic Forecasting, Time Series, Neural Network, Mix Forecasting. | ||
| کلیدواژه‌ها [English] | ||
| Macroeconomic Forecasting, Mix Forecasting, Neural Network, time series | ||
|
آمار تعداد مشاهده مقاله: 5,144 تعداد دریافت فایل اصل مقاله: 3,362 |
||