پیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی arima و شبکه عصبی

مدل خودرگرسیو میانگین متحرک انباشته (arima) که تحت عنوان روش باکس و جنکینزشناخته می‌شود، یکی از پرکاربردترین مدل‌ها در پیش‌بینی سری‌های زمانی است. اما پیش فرض اصلی این مدل خطی بودن سری های زمانی می باشد. از سوی دیگر شبکه ی عصبی یک تخمین زننده ی عمومی است که الگو های غیر خطی را بسیار خوب مدل سازی می نماید. دانستن الگوی داده ها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این ایده در ذهن ایجاد می گردد که تلفیق  مدل های خطی و غیرخطی می تواند منجر به افزایش دقت پیش بینی گردد. از این رو، در این پژوهش بخش خطی را بوسیله ی مدل arima پیش بینی کرده، آن گاه پسماند های غیر خطی را بوسیله ی شبکه ی عصبی پیش خور مدل سازی نموده و پیش بینی حاصل از آن را به مدل arima ، به منظور پیش بینی حد بالای قیمت، حد پایین قیمت و قیمت پایانی اونس طلا (برای یک مرحله پیش رو) اضافه می نماییم. نتایج بررسی دقت مدل ترکیبی نسبت بر هر یک از مدل های arima و شبکه ی عصبی بر اساس دو معیار mse و mae  با استفاده از آزمون های مقایسه زوجی و دایبولد ماریانو دال بر عملکرد بهتر مدل ترکیبی است.