پیش بینی میزان سپرده ها با استفاده از روش های خطی ARIMA و …

محمدعلی فلاحی و همکاران (۱۳۸۵)، سه نوع الگوی رگرسیون خطی، سری زمانی و شبکههای عصبی مصنوعی را با هدف دستیابی به پیشبینیهای دقیقتر در آمدهای مالیات برمشاغل در اقتصاد ایران طراحی نمودند. ایشان ابتدا ماهیت ساختاری سری زمانی مورد نظر از جهت خطی، غیر خطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی نمودند. نتایج بیانگر امکان استفاده از الگوهای غیرخطی برای پیشبینی دقیقتر کوتاه مدت بوده است. بنابراین در مرحله بعد ضمن تخمین سه روش گفته شده برای پیشبینی درآمدهای مالیات بر مشاغل، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج برآورد الگوها نشاندهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی بوده است.
پورکاظمی و همکاران (۱۳۸۴) در پژوهشی با عنوان “مطالعه تطبیقی روشهای خطی آریما و غیرخطی شبکههای عصبی فازی در پیشبینی تقاضای اشتراک گاز شهری” به پیشبینی تقاضای اشتراک گاز شهری پرداختهاند. آنها روشهای خطی آریما وغیرخطی شبکه عصبی فازی را با هدف ارایه مدل مناسبی برای پیشبینی تقاضای اشتراک گاز شهری مورد استفاده قرار دادهاند، تا شرکت ملی گاز بتواند بر بسیاری از مشکلات فائق آمده و شرایط تصمیمگیری را از حالتی نامطمئن به حالتی مطمئن تبدیل نماید. آنها روشهای مذکور را از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه نموده و نتیجه گرفتنهاند که برای پیشبینی تقاضای اشتراک گاز شهری شبکههای عصبی در تمامی شش معیار ارزیابی عملکرد شامل MSE، RMSE، NMSE، MAE، MAPE و ضریب تعیین؛ بر روش آریما برتری داشته و مناسبتر است.
دادههای پژوهش مربوط به تقاضای اشتراک گاز شهری خانگی در شهر تهران هستند که در فاصله تاریخی ۱/۱/۱۳۸۲ تا ۲۸/۱۰/۱۳۸۳به صورت هفتگی جمعآوری شدهاند.
نتایج معیارهای ارزیابی عملکرد برای دادههای آزمایش، با استفاده از روشهای مختلف در جدول (۲-۴) ذکر شده است.
جدول ۲‑۴٫ مقادیر معیارهای ارزیابی عملکرد برای روشهای مختلف

روش پیشبینی RMSE MSE NMSE MAPE MAE
شبکههای عصبی فازی ۹۷۸۹/۹۷ ۶۶۳۱۴/۶۳ ۰۰۰۰۱۰۴/۰ ۰۷۸۶۴۳۹/۰ ۰۲۶۷/۳ ۹۹۹۹/۰
آریما (۲و۱و۲) ۷۴۵/۱۷۷ ۳۳۸/۳۱۵۹۳ ۰۰۵۱۴۵/۰ ۱۵۸۱/۲۰ ۲۸۶۷/۱۳۷ ۰۹۹۴۸/۰

همانطور که از جدول (۲-۴) مشخص میشود، روش شبکههای عصبی فازی از نظر تمامی معیارهای عملکرد بر روش آریما برتری دارد.
با توجه به اینکه شبکههای فازی نسبت به روش آریما در هر شش معیار ارزیابی عملکرد برتری دارد، از این روش برای پیشبینی تقاضای اشتراک برای ماه آینده (۴ هفته آتی) استفاده میشود.
مطالعات خارجی
درخارج از کشور نیز مطالعات گستردهای در زمینه پیشبینی از طریق روشهای آماری وشبکههای عصبی مصنوعی صورت گرفته است و در بیشتر آنها نیز به برتری شبکههای عصبی مصنوعی از نظر دقت پیشبینی اشاره شده است.
کاربرد شبکههای عصبی در اقتصاد و اقتصادسنجی با مطالعه وایت[۲۴] (۱۹۹۳) روی بازارهای مالی و پیشبینی قیمت سهام آغاز شد.

منبع فایل کامل این پایان نامه این سایت pipaf.ir است