مقايسه‌ي عملكرد مدلهاي شبكه‌هاي عصبي مصنوعي براي پيش‌‌بيني نرخ ارز در ايران

Comparison of The Performance of Artificial Neural Network Models for Exchange Rate Prediction in Iran

با توجه به نوسانات زياد نرخ ارز در ايران پيش‌بيني آن يكي از چالش‌هاي مهم براي گروه‌هاي مختلف در كشور مي‌باشد. اين مطالعه به بررسي عملكرد شش شبكه‌ي عصبي مصنوعي مختلف ايستا و پويا براي پيش­ بيني نرخ ارز با رويكردهاي بنيادي، تكنيكال و تركيبي و با بكارگيري داده‌هاي فصلي طي دوره زماني (1)1383-(4)1396 براي متغيرهاي تاثيرگذار روي نرخ ارز شامل تورم، نقدينگي و توليد ناخالص داخلي براي دو كشور ايران و آمريكا، صورت گرفته است. يافته‌هاي پژوهش حاكي از اين است تعداد نرون‌ها اثر منظمي روي بهتر شدن عملكرد شبكه‌ها نداشته و از طرفي بهترين نتايج در وقفه‌هاي سه و چهار اتفاق افتاده است. نتايج نشان مي‌دهد كه بهترين عملكرد مربوط به شبكه‌ي ايستاي تكنيكال و با ساختار شانزده نرون و چهار وقفه ميسر شده است كه پيش‌بيني نسبتاً دقيقي از نرخ ارز عليرغم تعداد كم داده‌هاي ورودي ارائه مي‌دهد. همچنين دومين عملكرد مناسب مربوط به شبكه­ي ايستاي تركيبي با ساختار ده نرون و دو وقفه مي­باشد. با اين ملاحظات، سياست‌گذاران مي­توانند با توجه به دسترسي بيشتر و بروزتر به داده­هاي موثر بر نرخ ارز و با پايش لحظه­اي متغيرها و ورود آنها به مدل جامع طراحي شده با استفاده از اين روش، ميزان انحراف نرخ ارز پيش ­بيني شده توسط مدل و نرخ ارز موجود را مورد بررسي قرار داده و سياست­هاي مقتضي را بر اين اساس اتخاذ نمايند، به طوري كه زيان‌هاي وارده بر بخش داخلي و خارجي اقتصاد ناشي از شكاف نرخ پيش‌بيني شده و نرخ ارز موجود در حداقل مقدار باشد.

Given the high exchange rate fluctuations in Iran, its prediction is one of the major issues and challenges for different groups in the country. This study investigates the performance of six different static and dynamic neural networks for forecasting exchange rates using fundamental, technical and hybrid approaches and using seasonal data over the period (1) 2004- (4) 1396 for variables influencing exchange rate including inflation, Liquidity and GDP for the two countries, Iran and the United States. The findings show that the number of neurons did not have a regular effect on the performance of the networks and that the best results occurred at breaks of three and four. The results also show that the best performance of the static neural network is achieved by a technical approach with a structure of sixteen neurons and four interruptions which provides a relatively accurate exchange rate prediction despite the low number of input data.