مقايسه قدرت پيش‌بيني الگوهاي تلفيقي و متداول (مطالعه موردي قيمت‌هاي جهاني گندم، ذرت و شكر)

Forecasting Power Comparison of Hybrid And Conventional Models(Case Study of Wheat, Corn and Sugar World Prices)

پيش‌بيني دقيق قيمت‌هاي محصولات كشاورزي وارداتي مي تواند ضمن كمك به برنامه ريزي مطلوب در خصوص زمان مناسب واردات به صرفه جويي در منابع ارزي كشور نيز بيانجامد. از پر‌كاربرد‌‌ترين الگوهاي پيش‌بيني سري زماني طي سه دهه ي اخير، الگوهاي خطي سري زماني شامل آريما، گارچ و اي گارچ مي‌باشند. مطالعات اخير در زمينه ي پيش‌بيني با شبكه عصبي مصنوعي نشان‌مي‌دهد كه شبكه ي عصبي مصنوعي مي‌تواند دقت پيش‌بيني الگوهاي خطي سنتي را بهبود بخشد. حال آنكه الگوهاي سري زماني خطي و شبكه ي عصبي مصنوعي از محدوديت جدي برخوردار بوده و آن اينكه الگوهاي خطي توانايي الگوسازي روابط غير خطي را نداشته و شبكه ي عصبي مصنوعي به تنهايي قادر به شناسايي و بررسي هر دو الگوي خطي و غير‌خطي نمي‌باشد. از اين‌رو با تركيب الگوهاي سري زماني خطي و شبكه ي عصبي مصنوعي و طراحي الگوي تلفيقي روابط موجود در داده‌ها با دقت بيشتري الگوسازي مي‌گردد. در مطالعه ي حاضر، الگوي تلفيقي الگوهاي سري زماني آريما، گارچ، اي گارچ و شبكه عصبي مصنوعي طراحي و نتايج پيش‌بيني با نتايج الگوهاي رقيب مقايسه گرديده است. در اين مطالعه جهت مقايسه ي دقت پيش‌بيني علاوه بر معيارهاي مقايسه متداول نظير RMSE، MAE، MAPE و Theil C با معرفي آماره گرنجر و نيوبولد معني‌داري تفاوت دقت پيش‌بيني‌ها نيز بررسي شده است. نتايج پيش‌بيني‌ قيمت‌هاي جهاني روزانه براي دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتي گندم، ذرت و شكر حاكي از آن است كه الگوي تلفيقي به طور معني‌داري دقت پيش‌بيني به دست آمده از الگوهاي انفرادي را افزايش مي‌دهد. بر اين اساس، به كارگيري الگوهاي تلفيقي در پيش‌بيني قيمت محصولات كشاورزي(به ويژه محصولات استراتژيك) توصيه مي‌شود تا با انتخاب زمان مناسب خريد محصولات وارداتي از خروج بيهوده ارز جلوگيري به عمل آيد. طبقه بندي JEL: C01,C13,C53,C22

Reliable predictions on import prices of agricultural products can result in appropriate timing of import and saving of exchange resources. Linear time series models including ARIMA, GARCH and EGARCH have frequently been used in time series forecasting during the past three decades. Recent studies on forecasting with artificial neural network (ANNs) suggest that ANNs can be a suitable alternative to the traditional linear models. But neither linear time series models nor ANNs can be adequate in modeling and forecasting time series since the linear model cannot deal with nonlinear relationships while neural network model alone is not able to handle both linear and nonlinear patterns equally well. Hence by integrating linear time series with ANN models and designing the hybrid model, patterns in the data can be explained more accurately. In this research, a hybrid methodology that combines time series model ARIMA, GARCH and EGARCH and ANN models is designed and results are compared with those of competitive models. In order to compare forecasting accuracy, in addition to the usual criteria such as RMSE, MAD, MAPE and Theil Coefficient with introducing Granger and Newbold statistic, significance of forecasting accuracy difference have been investigated. Main finding for price of three import products including Wheat, Corn and Sugar indicate that hybrid model significantly improves forecasting accuracy. In order to save more exchange, application of hybrid models for agricultural price prediction, especially for strategic import products, is recommended.