بهبود مدل های ترکیبی(anns & arima) با بکارگیری شبکه های عصبی احتمالی به منظور پـیش بیـنی سری های زمـانی
چکیده
دقت پیش بینی ها از مهمترین فاکتور های مؤثر در انتخاب روش های پیش بینی می باشند. امروزه علی رغم وجود روش های متعدد پیش بینی، هنوز پیش بینی های دقیق، بویژه در بازارهای مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روش های متفاوت به منظور حصول نتایج دقیق تر می باشند. در سال های اخیر تلاش های فراوانی به منظور بهبود روش های پیش بینی سری های زمانی صورت گرفته است. مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته (arima) با شبکه های عصبی مصنوعی(anns) از این جمله مدل های بهبود یافته می باشند. این گونه از مدل ها با بهره گیری از مزایای منحصر به فرد هر یک از روش های مدل سازی خطی و غیرخطی، نتایج حاصله را بهبود بخشیده اند. در این مقاله با استفاده از شبکه های عصبی احتمالی(pnns) روند تغییرات باقیمانده های سری زمانی مورد مطالعه تشخیص و دقت روش ترکیبی بهبود داده شده است. نتایج حاصله از بکارگیری روش پیشنهادی در پیش بینی نرخ ارز موجب 10 % بهبود نسبت به مدل ترکیبی میانگین متحرک خودرگرسیون انباشته با شبکه های عصبی مصنوعی در میانگین قدرمطلق خطا گردیده است.