بخشی از مقاله
چکیده
در این مطالعه، میزان تأثیرپذیری طلا و نفت بر پیشبینی روند دلار در بازار ایران بر اساس مدل مخفی مارکوف بررسی شده است. در الگوریتم پیشنهادی، ابتدا پیشپردازشی بر روی مجموعه داده انجام میشود؛ زیرا در بازارهای مالی دادهای برای روزهای غیر کاری وجود ندارد، همچنین روزهای کاری ایران و نیویورک متفاوت است و بخشی از دادهها از بین میروند، بنابراین ابتدا دادههای ناقص با روش بیشینه کردن میانگین - EM - 1 کامل میشوند، سپس مدل مخفی مارکوف طراحی میشود. در طراحی مدل مخفی مارکوف، روند قیمت طلا و نفت به عنوان حالات مخفی مدل و روند قیمت دلار به عنوان مشاهده مدل در نظر گرفته شده است.
پس از طراحی، مدل مخفی مارکوف آموزش داده میشود و احتمال روندهای مختلف که ممکن است برای روز مورد پیشبینی رخ دهد، محاسبه میشود، سپس بیشترین احتمال به عنوان روند آینده در نظر گرفته میشود. مدل پیشنهادی با سیستم استنتاج عصبی- فازی تطبیقی - ANFIS - 2 مقایسه شده است. نتایج نشان میدهد، میزان تأثیرپذیری دو عامل طلا و نفت در پیشبینی روند دلار با استفاده از مدل مخفی مارکوف %54 است، در نتیجه علاوه بر نفت و طلا عاملهای دیگر نیز وجود دارند که بر چگونگی روند دلار در ایران تأثیرگذار است.
.1 مقدمه
پیشبینی وضعیت آینده، همواره یکی از دغدغههای اصلی اندیشمندان علوم مختلف بوده و در طول دهههای گذشته، روشهای مختلفی برای آن ارائه شده است. روشهای پیشبینی به چهار دسته، تجزیهوتحلیل فنی، تجزیهوتحلیل بنیادی، سریهای زمانی سنتی و روشهای یادگیری ماشین تقسیم میشود .[1] الگوریتمهای پیشبینی سری زمانی معمولاً توزیع خطا را با توجه به توزیع نرمال محاسبه میکند، اما مطالعات اخیر نشان میدهد پیشبینی قیمت از توزیع نرمال پیروی نمیکند .[2] به تازگی، روشهای محاسبات نرم ازجمله شبکههای عصبی مصنوعی، شبکههای عصبی فازی، ماشین رگرسیون برداری، مدل مخفی مارکوف و ... برای پیشبینی ارائه شده است .[3]
این مقاله، به پیشبینی روند دلار در بازار ایران میپردازد. قیمت دلار در ایران تحت تأثیر عوامل مختلفی، ازجمله قیمت نفت، طلا، تورم، سیاستهای دولت و ... است؛ طلا و نفت دو عامل تأثیرگذار در روند دلار در ایران محسوب میشود، زیرا مهمترین صادرات ایران نفت است و در سال 2013 به عنوان دوازدهمین صادرکننده نفت خام جهان شناختهشده [4]، همچنین ایران به عنوان دومین مصرفکننده طلا در جهان معرفی شده است .[5] در این مطالعه بر اساس تأثیرپذیری قیمت طلا و نفت، روند روزانه قیمت دلار در بازار ایران پیشبینی میشود و از مدل مخفی مارکوف در طراحی استفاده میشود. ساختار مقاله به این شرح است: در بخش 2، به مروری از کارهای انجامشده پرداخته میشود، بخش 3، شامل طراحی مدل، بخش 4، نتایج شبیهسازی و در بخش 5، نتیجهگیری کلی از این مقاله بیان میشود.
.2 مرور ادبیات
بزرگترین چالش پیشبینی ماهیت پیچیده آن است، به این منظور روشهای متفاوتی ارائه شده است. در این بخش به بررسی چند مقاله که از روشهای یادگیری ماشین برای پیشبینی استفاده کردهاند، پرداخته میشود. [6] Charles Engel، با استفاده از مدل سوئیچینگ مارکوف به بررسی رفتار نرخ ارز شناور پرداخت و مشاهده کرد مدل در صورت وجود نوسانات زیاد در یک جهت، مداوم علاقه دارد در آن جهت رشد کند، همچنین دقت مدل سوئیچینگ مارکوف بهطورکلی کمتر از مدل پیادهروی تصادفی است، بنابراین مدل مارکوف سوئیچینگ پیشبینی خوبی از نرخ ارز فراهم نمیکند. Min Qi و همکارش [7]، با استفاده از شبکه عصبی به پیشبینی نرخ ارز در کوتاهمدت و میانمدت و بررسی سودمندی اصول پولی در حرکات قیمت ارز پرداختهاند، همچنین از رابطه بین نرخ ارز و سه متغیر عرضه پول نسبی، درآمد نسبی و اختلاف نرخ بهره استفاده کردهاند. نتایج نشان داده، این سه متغیر بر نرخ ارز تاثیرگزار است.
Yan-Qing Zhang و همکارش [1]، نرخ ارز را با استفاده از یک شبکه عصبی گرانول جدید به نام شبکههای آماری فازی با فاصلههای عصبی - SFINN - پیشبینی کردهاند. آنها فاصله آماری مجموعه داده را به طور متوسط بر اساس هفته در نظر گرفتند و از انحراف استاندارد برای آموزش شبکه فازی با فاصلههای عصبی و کشف قوانین IF-THEN فازی استفاده کردهاند. سیستم SFINN شامل 3 ورودی و 1 خروجی است و هر چه درجه اطمینان افزایش مییابد، گسترهی زمانی پیشبینی افزایش مییابد. نتایج پیشبینی فواصل زمانی، کمک میکند کاربران روند آینده را با اطمینان بیشتر ببینند و تصمیمات قوی بگیرند. Maria Hernandez و همکارش [8]، نرخ ارز Mexican Peso - MXN-USD و دلار ایالاتمتحده - را با استفاده از فاصله Singleton، سیستمهای منطقی فازی نوع 2 پیشبینی کردهاند.
مکانیسمهای یادگیری روش پس انتشار1 - BP - و روش آموزش ترکیبی، با استفاده از روش حداقل مربع بازگشتی - RLS - 2 و روش BP است. نتایج نشان داده، روش پیشنهادی با آموزش ترکیبی بهترین عملکرد را دارد. Md. [9] Rafiul Hassan، از ترکیب مدل مخفی مارکوف - HMM - 3 æ مدل فازی برای پیشبینی بازار سهام استفاده کردهاند. ابتدا با استفاده از مجموعه داده آموزشی، HMM آموزش داده شده æ مجموعه داده آموزشی بر اساس مقادیر احتمال مرتب میشود، سپس قوانین فازی استخراج و با روش گرادیان نزولی بهینه شدهاند.
به منظور بررسی عملکرد از سهام شش شرکت استفاده شده و برای هر یک از شرکتها چهار ویژگی، قیمت باز، بالا، پایین و قیمت بسته از قیمتهای روزانه بازار سهام، در نظر گرفته شده است. Bo-Tsuen Chen و همکارانش [10]، قیمت سهام TAIEX، بر اساس سری زمانی فازی با آنتروپی و گسسته کردن پارتیشنها پیشبینی کردهاند. آنها فواصل زبانی را مبتنی بر آنتروپی و گسسته کردن پارتیشنها تعریف æ مجموعههای فازی را برای مشاهدات ایجاد کردند، همچنین از روش Centroid برای فازی سازی و دریافت نتایج پیشبینی æ مقایسه نتایج پیشبینی با سایر مدلها، استفاده شده است.
WEN Fenghua و همکارانش [11]، قیمت سهام شانگ های را بر اساس تجزیهوتحلیل طیف منحصربهفرد - SSA - 4 و ماشین بردار پشتیبانی - SVM - 5 پیشبینی کردهاند. با استفاده از SSA، قیمت سهام نسبت به شرایط روند آن، نوسانات بازار و نویز با ویژگیهای اقتصادی مختلف در دورههای زمانی مختلف تجزیهشده، سپس این ویژگیها به ماشین بردار پشتیبانی برای پیشبینی قیمت معرفیشده است. [12] Nicholas Apergis، بررسی کرد قیمت طلا رابطهای با دلار استرالیا / دلار آمریکا دارد یا خیر. از سال 1983 دلار استرالیا - AUD - مطرح شده است، امروز AUD ششمین ارز دادوستد در سطح جهان است.
پس از زغالسنگ، سنگآهن و نفت خام، طلا رتبه چهارم در صادرات کالا در استرالیا را دارد، بنابراین نوسان قیمت بینالمللی طلا برای ارزش AUD بسیار مهم است. تجزیهوتحلیل تجربی با توجه به نرخ ارز واقعی انجام شده است؛ برای این منظور، دادههای ماهانهی قیمت دلار و نرخ بهره واقعی در درازمدت از جریان اطلاعات به دست آمده است، نرخ بهره واقعی بر اساس تفاوت بین نرخ بهره اسمی و واقعی محاسبه و از یک مدل تصحیح خطا - ECM - استفاده شده است. نتایج نشان داده، قیمت طلا با دلار استرالیا / دلار آمریکا رابطه دارد.
