بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی :

نام کنفرانس، همایش یا نشریه : پژوهشهای اقتصادی

تعداد صفحات :۲۴

دقت پیش بینی از مهمترین عوامل موثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، ‌هنوز پیش بینی دقیق مالی کار چندان ساده ای نیست و اکثر محققان درصدد به کارگیری ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی، انتخاب موثرترین روش به منظور پیش بینی، کار بسیار دشواری است و بسیاری از محققان، روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند؛ چرا که: اولا در عمل تعیین خطی و غیرخطی بودن یک سری زمانی، کار دشواری است. ثانیا سریهای زمانی دنیای واقع، به ندرت کاملا خطی و یا غیرخطی هستند. مدلهای خود رگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی (ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سریهای زمانی می باشند.در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روشهای مدل سازی خطی و غیرخطی و حصول نتایج دقیق تر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیق تری در پیش بینی نرخ ارز (یورو در مقابل ریال) ارایه نموده است.

کلید واژه: مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA)، شبکه های عصبی مصنوعی (ANNs)، مدلهای ترکیبی، بازارهای مالی، پیش بینی نرخ ارز