به كارگيري شبكه عصبي مصنوعي در پيش بيني متغيرهاي اقتصادي و مقايسه آن با روش هاي اقتصاد سنجي (مطالعه موردي: پيش بيني روند نرخ تورم در ايران)

امروزه پيش بيني متغيرهاي كلان اقتصادي از اهميت ويژه اي براي سياستگذاران و ساير واحدهاي اقتصادي برخوردار است، به طوري كه نياز به ابزار و شيوه هاي پيش بيني متغيرها با كمترين خطا احساس مي شود. بدين منظور مدلهاي گوناگوني براي پيش بيني اين متغيرها توسعه يافته است. اخيرا روش هاي ديگري تحت عنوان ((شبكه هاي عصبي مصنوعي)) در پيش بيني متغيرهاي پولي و مالي به موازات مدل هاي ساختاري و سري زماني به كار گرفته شده اند. اين فرآيندها كه برگرفته از فرآيند يادگيري مغز هستند، با استفاده از سرعت محاسباتي رايانه بين متغيرها را ياد گرفته و از آن براي پيش بيني مقادير آتي استفاده مي كنند. در اين نوشتار، علاوه بر طراحي و اجراي يك مدل شبكه عصبي براي پيش بيني تورم در ايران با استفاده از اطلاعات سالهاي 2013-1960، به بررسي متغيرهاي مهم اقتصادي مانند حجم پول، نرخ ارز، صادرات، توليد ناخالص ملي روي تورم به صورت داده هاي تابلويي و روش حداقل مربعات معمولي(ols[1])در برآورد الگوي اقتصادسنجي توسط نرم افزار ايويوز[2]پرداخته ايم و اين فرضيه را كه شبكه عصبي مصنوعي نسبت به روش هاي معمول اقتصاد سنجي و مدل هاي سري زماني درپيش بيني تورم كارايي بيشتري دارد، بررسي كرده ايم. نتايج به دست آمده حاكي از آن است كه در صورت طراحي دقيق، مدلهاي شبكه عصبي مصنوعي در زمينه پيش بيني تورم عملكرد بهتري دارد.