مدل پيشنهادي براي پيش بيني توليد ناخالص داخلي كاربرد مدل هايشبكه هاي عصبي و تبديل موجكARIMA

The Proposed Model For Prediction Of GDP Using With ARIMA, Neural Networks And Wavelet Transform

توليد ناخالص داخلي يكي از عمده ترين و كاربردي ترين شاخص هاي اقتصادي است؛ لذا پيش بيني آن، همواره توجه كليه دست اندركاران اقتصادي و علوم مرتبط را به خود جلب كرده است. هرچند روش هاي تجزيه و تحليل سري زماني و روش هاي غيرخطي همانند مدل هاي شبكه عصبي مدتهاست كه براي پيش بيني اين گونه متغيرها به كار مي روند، ليكن كاربرد ابزار توانمند موجك در پردازش داده ها و بررسي لايه هاي پنهان آن نشان مي دهد كه سري زماني توليد ناخالص داخلي از جمله متغيرهايي است كه پس از تجزيه در برخي سطوح، رفتاري خطي و در برخي سطوح رفتاري غيرخطي دارد؛ از اين رو پيشنهاد شد كه ابتدا سري زماني مذكور به صورت داده هاي فصلي طي دوره 7631 تا 7631 ، با استفاده از تكنيك موجك به مولفه هاي مقياسي متفاوتي تجزيه شده و سپس با كمك مدل ARIMA سري تقريب )روند( و سيكل هاي با رفتار خطي، و آنگاه با مدل شبكه عصبي سيكل هاي با رفتار غيرخطي پيش بيني شوند. اين مقاله نشان مي دهد كه نتيجه اعمال اين روش پيشنهادي در مقايسه با مدل شبكه عصبي خودتوضيح غيرخطي با لوپ بسته و مدل ARIMA دقيق تر و كارآتر است.

Forecasting GDP, is one of the most important economic issues and due to its practical applications has attracted a lot of attentions. Methods of time series analysis and nonlinear methods such as neural network models as long as are used to forecast such variables . GDPʹs time series is variable that after the decomposition, with wavelet - a powerful tool for processing data- and analyzing the hidden layers, at some levels, has linear behavior and at other levels, has nonlinear behavior. Therefore, the proposed method would be thus that the time series of quarterly GDP for the period 1367 to 1389 using wavelet techniques are decomposed into different scale components. Next, the approximation level (trend) and cycles with linear behavior have predicted with ARIMA model, and cycles with the nonlinear behavior have predicted with neural network model. The results show that the performance of the proposed method is better than the neural network (NARNET) and ARIMA models