آن­ها در پایان اذعان داشتند عملکرد شبکه­ عصبی وابسته به ماهیت داده ­ها می­باشد و کاهش نرخ خطا و مقدار خطا می ­تواند منجر به بهبود عملکرد شبکه­ عصبی در پیش ­بینی خارج از نمونه ­ای گردد.[۴۶]
هو و همکاران (۲۰۰۲) در مقاله­ای تحت عنوان «مطالعه­ مقایسه­ ای از شبکه­ عصبی و مدل باکس و جنکینز در پیش ­بینی سری­های زمانی»، به منظور برازش مدل­های شبکه­ عصبی پیش­خور چند لایه، شبکه­ عصبی بازگشتی و مدل خود­رگرسیو میانگین متحرک انباشته و مقایسه­ عملکرد این مدل­ها در پیش‌بینی تعداد دفعات خرابی در سیستم کمپرسور، از سری زمانی ۹۰ خرابی مهم در یک کارخانه­ی نروژی در طی سال های ۱۹۶۸ تا ۱۹۸۹ بهره جستند. نتایج تحقیق نشان داد عملکرد مدل­های شبکه­ عصبی بازگشتی و خود­رگرسیو میانگین متحرک انباشته، از نظر دو تابع زیان میانگین مجذور خطا (MSE) و میانگین قدر مطلق خطا (MAE)، هم در کوتاه­مدت و هم در بلندمدت نسبت به شبکه­ عصبی پیش­خور چند لایه دارای خطا کمتری می­باشند، اما عملکرد هر دو مدل در کوتاه­مدت نسبت به بلندمدت بهتر است.
آن­ها علاوه بر بررسی دقت پیش ­بینی سه مدل مذکور، توان هر یک از مدل­ها را به منظور تشخیص نقطه­ی بازگشت مورد ارزیابی قرار دادند که نتایج دال بر موفقیت دو مدل شبکه­ عصبی بازگشتی و خودرگرسیو میانگین متحرک انباشته، نسبت به شبکه­ عصبی پیش­خور چند لایه است.[۳۸]
رضا روشن (۱۳۸۵) در پایان نامه­ خود تحت عنوان «پیش ­بینی تورم ایران به کمک مدل­های خودرگرسیو میانگین متحرک انباشته ، ARCH/GARCH و شبکه ­های عصبی مصنوعی و مقایسه­ کارآیی مدل­های مذکور» با بهره گرفتن از داده ­های فصلی سال­های (۱۳۸۳:۴-۱۳۸۴:۱)، توان پیش‌بینی تورم مدل­های خودرگرسیو میانگین متحرک انباشته، ناهمسانی واریانس شرطی و شبکه­ عصبی را با هم مقایسه کرده و نتایج بر کارآتر بودن مدل ناهمسانی واریانس شرطی نسبت به مدل خودرگرسیو میانگین متحرک انباشته و مدل شبکه ­های عصبی مصنوعی نسبت به رقبای خود دلالت دارد.[۸]
متوسلی و طالب (۱۳۸۵) در مقاله­ای تحت عنوان «بررسی مقایسه­ ای توان شبکه ­های عصبی با ورودی شاخص­ های تحلیل تکنیکی برای پیش ­بینی قیمت سهام» به مقایسه عملکرد دو شبکه عصبی (که یکی از آن­ها فقط ارزش بازار را به عنوان ورودی و دیگری علاوه بر ارزش بازار، میانگین متحرک پنج، ده و بیست روزه، ROC[143] و RSI[144] دوازده روزه را نیز به عنوان ورودی لحاظ کرده بود) با مدل خودرگرسیو میانگین متحرک انباشته پرداختند و از چهل شرکت فعال در بورس برای ارزیابی توان پیش‌بینی قیمت بهره جستند.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نتایج نشان داد که عملکرد مدل خودرگرسیو میانگین متحرک انباشته به طور معناداری نسبت به شبکه ­های عصبی بهتر است و در واقع مدل خطی خودرگرسیو میانگین متحرک انباشته بهتر از مدل­های غیرخطی (شبکه ­های عصبی) می ­تواند پیچیدگی سری زمانی قیمت سهام را تجزیه و تحلیل نماید.[۲۲]
احمدی، ذوالفقاری و نژاد مهربان (۱۳۸۸) در مقاله خود با عنوان «مطالعه­ تطبیقی روش­های خودرگرسیو میانگین متحرک انباشته و شبکه ­های عصبی مصنوعی در پیش ­بینی نیاز داخلی برق کشور» از دو مدل خطی خودرگرسیو میانگین متحرک انباشته و غیرخطی شبکه­ عصبی برای پیش ­بینی متوسط ماهانه نیاز داخلی برق کشور برای یک دوره­ ۳ ساله استفاده کردند. نتایج تحقیق آن­ها مبنی بر توضیح­دهندگی بالای شبکه­ عصبی نسبت به مدل خودرگرسیو میانگین متحرک انباشته می باشد.[۱]
مشیری و مروت (۱۳۸۵) در مقاله­ای با عنوان «پیش ­بینی کل بازدهی سهام تهران با بهره گرفتن از مدل­های خطی و غیرخطی» اذعان داشتند که شبکه­ عصبی در پیش ­بینی شاخص روزانه و هفتگی نسبت به مدل­های ARIMA و ARFIMA و GARCH از دقت بالاتری برخوردار است.[۲۳]
همان­طور که از مطالعات بالا بر می ­آید، عملکرد شبکه­ عصبی در سری­های زمانی مختلف، متفاوت است.
۲-۲۳) مروری بر مطالعات ترکیبی
شبکه ­های عصبی به طور ذاتی غیرخطی می باشند و با تغییر در داده ­ها، توابع غیرخطی را بسیار خوب تخمین می­زنند. از طرفی دیگر مدل خودرگرسیو میانگین متحرک انباشته دارای محدودیت خطی است و نمی تواند الگوهای غیرخطی را خوب مدل سازی نماید.
از آن جایی که در دنیای واقعی دانستن الگوی داده ­ها مبنی بر خطی و غیرخطی بودن کمی دشوار است و به ندرت سری­های زمانی به طور خالص خطی و یا غیرخطی می­باشند، بنابراین ترکیب مدل­های خطی مانند خودرگرسیو میانگین متحرک انباشته و مدل­های غیرخطی مانند شبکه­ عصبی (ANN[145]) می تواند منجر به افزایش دقت در پیش ­بینی شود.
ژانگ (۲۰۰۳) در مقاله­ای تحت عنوان « پیش ­بینی سری­های زمانی با بهره گرفتن از مدل­های ترکیبی ARIMA و شبکه­ عصبی»، اذعان داشت، با توجه به ماهیت خطی مدل خود­رگرسیو میانگین متحرک انباشته و غیرخطی شبکه­ عصبی، پیش ­بینی بخش خطی بوسیله­ی میانگین متحرک انباشته و پسماند غیرخطی بوسیله ی شبکه می ­تواند منجر به افزایش دقت در پیش‌بینی شود.
وی از سه سری زمانی Sunspots، Lynx کانادا و نرخ مبادله­ دلار آمریکا و پوند انگلیس و معیارهای میانگین مجذور خطا (MSE) و میانگین قدر مطلق خطا (MAD) برای آزمون این ادعا و ارزیابی دقت پیش ­بینی بهره جست.[۶۸]
نتایج این پژوهش دال بر موفقیت مدل ترکیبی نسبت به مدل­های ARIMA و شبکه­ عصبی می­باشد.
ودینگ و سیوس (۱۹۹۶)در مقاله­ای تحت عنوان «پیش ­بینی سری­های زمانی از طریق ترکیب شبکه­ عصبی RBF[146] و مدل باکس و جنکینز»، فرض کردند، اگر پیش ­بینی سری زمانی و فاکتورهای اطمینان که توسط RBF تولید شده است را با مدل باکس و جنکینز ترکیب نماییم، این امر موجب افزایش دقت پیش‌بینی می­ شود. از این رو از سری زمانی روزانه­یsunspot طی سال­های ۱۷۰۰ تا ۱۹۷۹، نرخ بیکاری ماهانه در آلمان غربی طی سال­های ۱۹۴۸ تا ۱۹۸۰ و شمار خانه­های ساخته شده در طول یک ماه طی سال­های ۱۹۵۹ تا ۱۹۹۴ و معیار ارزیابی میانگین قدر مطلق انحرافات (MAD) به منظور برازش و مقایسه­ مدل RBF و مدل ترکیبی (ترکیب پیش ­بینی سری زمانی و فاکتور اطمینان از مدل RBF با پیش ­بینی مدل باکس و جنکینز) بهره جستند.
نتایج نشان داد در مدل ترکیبی حذف داده­هایی با فاکتور اطمینان پایین­تر از نقطه­ی انقطاع[۱۴۷] بهینه منجر به کاهش معیار میانگین قدر مطلق خطا و در نتیجه افزایش دقت پیش ­بینی می­گردد. از طرفی دیگر دور شدن از نقطه­ی برش بهینه برای فاکتور اطمینان منجر کاهش دقت مدل ترکیبی می­گردد.[۶۵]
هانسن و نلسون (۱۹۹۷) در مقاله­ای تحت عنوان «شبکه­ عصبی و سری­های زمانی سنتی و ترکیب هم افزا در پیش ­بینی اقتصادی» بعد از بیان کردن اهمیت پیش ­بینی درآمد مشمول مالیات خاطرنشان کردند که عواملی مانند بحران مالی می ­تواند موجب انحراف تحلیل­های مبتنی بر سری زمانی سنتی گردند. آن­ها بیان کردند در این موارد شبکه می ­تواند با معرفی الگوهای جدید این مدل­ها را اصلاح نماید و نتایج تحقیق نیز دال بر موفقیت آن­ها در ترکیب شبکه ­های عصبی مانند Time-delay و پس­انتشار و مدل­های سری زمانی سنتی بود.[۳۹]
تی سنگ و همکاران (۲۰۰۲) در مقاله­ای تحت عنوان «ترکیب شبکه عصبی با مدل­های سری زمانی فصلی ARIMA» سعی در ترکیب شبکه­ عصبی پس­انتشار و مدل­های سری زمانی فصلی (SARIMA[148] ) نمودند و آن را با (SARIMABP) نمایش دادند. آن­ها خاطرنشان کردند که مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی برای عملکرد دقیق­تر نیازمند ۵۰ و یا ترجیحاً ۱۰۰ مشاهده است، در حالی که در دنیای امروز به دلیل وجود عدم اطمینان در محیط و تغییرات سریع تکنولوژی، می­بایست پیش ­بینی خود را در دوره­ های زمانی کوتاه­مدت و با داده ­های محدودتری انجام دهیم و این محدودیت مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی محسوب می­گردد.
از طرفی دیگر خطاهای پیش ­بینی در شبکه­ عصبی، بازخوری را برای اصلاح وزن فراهم می­ کنند اما هیچ بازخوری برای اصلاح متغیرهای ورودی ایجاد نمی­گردد.
از این رو فرض کردند مدل ترکیبی (SARIMABP) با در نظر گرفتن پیش ­بینی و پسماندهای مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی بهینه به عنوان ورودی شبکه، می ­تواند توانایی پیش ­بینی مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی (SARIMA) و کاهش پسماندهای شبکه­ عصبی را دارا باشد و برای آزمون فرض خود از دو سری ارزش کل تولید در صنعت ماشین آلات و ارزش کل تولید نوشیدنی­های غیر الکلی بهره جستند و نتایج تحقیق نشان داد که عملکرد مدل SARIMABP نسبت به مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی و شبکه ­های عصبی با داده ­های تفاضلی و فصل زدا شده به طور معناداری بهتر است.[۶۳]
لیو و پای (۲۰۰۵) در مقاله­ای تحت عنوان «ترکیب ARIMA و SVM در پیش‌بینی قیمت سهام»، برای سری زمانی ده سهم بورس نیویورک[۱۴۹]، با پیش ­بینی بخش خطی بوسیله­ی مدل خودرگرسیو میانگین متحرک انباشته و پسماندهای غیرخطی حاصل از آن بوسیله ی SVM[150]، دو مدل را ترکیب نموده و سپس عملکرد این مدل ترکیبی را با مدل­های خودرگرسیو میانگین متحرک انباشته و SVM و جمع پیش ­بینی­های این دو مدل با چهار معیار MAE، MSE، MAPE و RMSE مقایسه کردند. نتایج نشان داد که عملکرد مدل ترکیبی به طور معناداری از سایر مدل­ها بهتر است.[۵۵]
چن و وانگ (۲۰۰۷)در مقاله­ای خود تحت عنوان «ترکیب SARIMA و SVM در پیش‌بینی ارزش تولید صنعت ماشین آلات در تایوان» بعد از برازش سه مدل ترکیبی سرانجام عملکرد مدل ترکیبی مناسب را (که در آن از و و پسماندهای مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی به عنوان ورودی شبکه­ عصبی انتخاب شده بود) با عملکرد مدل­های خودرگرسیو میانگین متحرک انباشته­ی فصلی و SVM مقایسه کردند. برای این منظور از دو معیار میانگین مجذور خطای استاندارد شده (NMSE[151]) و میاگین قدر مطلق درصد خطا، برای ارزیابی دقت مدل و از دو معیار DCA[152] و تست رگرسیون (مدل کمبی و مودست[۱۵۳]) برای بررسی توان پیش ­بینی نقطه­ی بازگشت، بهره جستند و نتایج تخمین بیان­گر دقت مدل ترکیبی و توان بالای آن در پیش ­بینی نقطه­ی بازگشت نسبت به سایر مدل­ها است.[۳۰]
لیانگ (۲۰۰۹) در مقاله­ای تحت عنوان «ترکیب روش سری زمانی فصلی و شبکه­ عصبی با الگوریتم ژنتیک»، اذعان داشتند که ترکیب مدل­های خودرگرسیو میانگین متحرک انباشته­ی فصلی و شبکه­ عصبی و الگوریتم ژنتیک می تواند فواید زیر را دارا باشد.
توانایی تحلیل اثر فصل داده ­ها
شناسایی ورودی­های شبکه
معماری بهینه­ شبکه­ عصبی (تعداد بهینه نرون در لایه­ی پنهان و پارامترهای یادگیری بهینه)
از این رو در مدل ترکیبی خود از نتایج تحلیلی مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی به عنوان ورودی شبکه­ عصبی و از الگوریتم ژنتیک به منظور معماری بهینه­ شبکه بهره جستند و در نهایت نتایج تحقیق نشان داد که عملکرد مدل ترکیبی به طور معناداری از مدل خودرگرسیو میانگین متحرک انباشته­ی فصلی (SARIMA) بهتر است.[۴۹]
فاروق (۲۰۱۰) در مقاله خود با عنوان «مدل ترکیبی ARIMA و شبکه­ عصبی در پیش ­بینی سری­های زمانی کیفیت آب» از سه سری زمانی دمای آب، ماده­ بورون (Boron) و اکسیژن حل شده در طول سال­های ۲۰۰۴-۱۹۹۶ در رودخانه­ی بویاک مندرز[۱۵۴] ترکیه برای مقایسه توان پیش‌بینی ترکیب مدل خطی خودرگرسیو میانگین متحرک انباشته­ی فصلی و شبکه­ عصبی نسبت به هر یک از مدل­ها مذکور بهره جست و نتایج دال بر موفقیت مدل ترکیبی نسبت به دو مدل دیگر می­باشد.[۳۳]
کادناس و ریور (۲۰۱۰) در مقاله­ای تحت عنوان «پیش ­بینی سرعت باد در سه ناحیه­ی مختلف مکزیک با بهره گرفتن از مدل ترکیبی ARIMA و شبکه­ عصبی» اذعان داشتند، پیش ­بینی سرعت باد ابزاری ارزشمند برای مراکز کنترل انرژی به حساب می ­آید، از این رو ارائه مدل دقیق­تر برای پیش ­بینی امری ضروری است.
از این رو، آن­ها از متوسط سرعت باد در طول یک ماه و از معیارهای میانگین مجذور خطا، میانگین خطا و میانگین قدر مطلق خطا، به منظور بررسی و ارزیابی دقت مدل ترکیبی نسبت به مدل­های خودرگرسیو میانگین متحرک انباشته و شبکه­ عصبی در سه ناحیه­ی Isla de Cedros ، Cerro de la Virgin و Holbox بهره گرفتند و نتایج دال بر موفقیت مدل ترکیبی است.[۲۹]
آریکل و همکاران (۲۰۱۰) در مقاله­ای با عنوان «مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و شبکه­ عصبی برای پیش ­بینی کوتاه مدت قیمت در بازار آزاد» اذعان داشتند با توجه به رقابتی بودن بازار الکتریسیته، پیش ­بینی دقیق قیمت، منجر به حداکثر کردن سود و مطلوبیت برای تولید­کننده و مصرف ­کننده­ نیرو خواهد شد.
آن­ها به منظور ارزیابی دقت پیش ­بینی مدل ترکیبی مدل­های خودرگرسیو میانگین متحرک انباشته و شبکه­ عصبی نسبت به هر یک از این مدل­ها، از قیمت­های بازار الکتریسیته بین المللی استرالیا در سال ۲۰۰۶ ، شبکه­ عصبی پیش­خور سه لایه با الگوریتم یادگیری L-M و معیارهای میانگین قدر مطلق درصد خطا (MAPE )، میانگین قدر مطلق خطا ( MAE) و جذر میانگین مجذور خطا (RMSE ) بهره جستند. نتایج تحقیق آن­ها در هر ۴ فصل سال گواه بر بهبود معنا­دار عملکرد، در مدل ترکیبی است.[۲۶]
فصل سوم:
روش تحقیق
۳-۱) مقدمه
در فصل اول به طور مختصر به روش تحقیق اشاره کردیم، اما در این فصل به تفصیل فرضیه ­های تحقیق، متغیرهای تحقیق، روش گردآوری داده ­ها و دوره­ زمانی مورد بررسی را تشریح می­نماییم. سپس از آن­جایی که هدف اصلی این تحقیق مقایسه عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و شبکه عصبی با هر یک از مدل­های خودرگرسیو میانگین متحرک انباشته و شبکه عصبی به صورت مجزا، مقایسه عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و رگرسیون بردار پشتیبان با هریک از مدل­های خودرگرسیو میانگین متحرک انباشته و SVR به صورت مجزا و در نهایت مقایسه دو مدل ترکیبی با یکدیگر به منظور پیش ­بینی شاخص کل بورس اوراق بهادار است بنابراین، نحوه­ برازش هر یک از مدل­های مذکور و روش مقایسه­ دقت عملکرد این مدل­ها نسبت به یکدیگر را به صورت کامل مورد بررسی قرار می­دهیم.

۳-۲) فرضیه ­های تحقیق

در دنیای واقعی دانستن الگوی سری­های زمانی مبنی بر خطی و غیر­خطی بودن کمی دشوار است و اغلب سری­های زمانی از هر دو الگو تبعیت می­ کنند، بنابراین فرض می­ شود که عملکرد مدل­های ترکیبی که دربرگیرنده­ی دو مدل خطی خودرگرسیو میانگین متحرک انباشته و غیر­خطی شبکه­ عصبی و رگرسیون بردار پشتبان می­باشند ز هر یک دو مدل مذکور به صورت مجزا بهتر خطی و غیر خطی به صورت مجزا بهتر عمل ­می­نمایند. از این رو ابتدا به مقایسه عملکرد مدل­های ترکیبی مذکور با هریک از مدل­های خطی و غیر خطی سازنده مدل ترکیبی پرداخته و در نهایت عملکرد مدل­های ترکیبی را نسبت به یکدیگر مقایسه می­نماییم. فرضیه ­های تحقیق به قرار زیر هستند:
۱- پیش ­بینی مدل ترکیبی شبکه عصبی پیشخور – خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش ­بینی مدل خودرگرسیو میانگین متحرک انباشته دارای خطای کمتری است.
۲- پیش ­بینی مدل ترکیبی شبکه عصبی پیشخور – خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش ­بینی مدل شبکه عصبی پیش­خور دارای خطای کمتری است.
۳- پیش ­بینی مدل ترکیبی رگرسیون بردار پشتیبان – خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش ­بینی مدل خودرگرسیو میانگین متحرک انباشته دارای خطای کمتری است.
۴- پیش ­بینی مدل ترکیبی رگرسیون بردار پشتیبان – خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش ­بینی مدل رگرسیون بردار پشتیبان دارای خطای کمتری است.
۵- بین عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته –شبکه عصبی پیشخور( FFNN)[155] با مدل ترکیبی خودرگرسیو میانگین متحرک انباشته – رگرسیون بردار پشتیبان اختلاف معناداری وجود دارد.

۳-۳) متغیرهای تحقیق و نحوه گردآوری داده ­ها

به منظور مقایسه­ عملکرد مدل­های ترکیبی با هر یک از مدل­های خطی و غیرخطی سازنده مدل ترکیبی به صورت مجزا و در نهایت مدل­های ترکیبی با یکدیگر از سری زمانی شاخص کل که از سایت TSETMC استخراج گردیده، استفاده شده است.

۳-۴) دوره­ زمانی انجام تحقیق و روش نمونه گیری

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...