مقایسه‌ی عملکرد مدلهای شبکه‌های عصبی مصنوعی برای پیش‌‌بینی نرخ ارز در ایران

با توجه به نوسانات زیاد نرخ ارز در ایران پیش‌بینی آن یکی از چالش‌های مهم برای گروه‌های مختلف در کشور می‌باشد. این مطالعه به بررسی عملکرد شش شبکه‌ی عصبی مصنوعی مختلف ایستا و پویا برای پیش بینی نرخ ارز با رویکردهای بنیادی، تکنیکال و ترکیبی و با بکارگیری داده‌های فصلی طی دوره زمانی (1)1383-(4)1396 برای متغیرهای تاثیرگذار روی نرخ ارز شامل تورم، نقدینگی و تولید ناخالص داخلی برای دو کشور ایران و آمریکا، صورت گرفته است. یافته‌های پژوهش حاکی از این است تعداد نرون‌ها اثر منظمی روی بهتر شدن عملکرد شبکه‌ها نداشته و از طرفی بهترین نتایج در وقفه‌های سه و چهار اتفاق افتاده است. نتایج نشان می‌دهد که  بهترین عملکرد مربوط به شبکه‌ی ایستای تکنیکال و با ساختار شانزده نرون و چهار وقفه میسر شده است که پیش‌بینی نسبتاً دقیقی از نرخ ارز علیرغم تعداد کم داده‌های ورودی ارائه می‌دهد. همچنین دومین عملکرد مناسب مربوط به شبکه ی ایستای ترکیبی با ساختار ده نرون و دو وقفه می باشد. با این ملاحظات، سیاست‌گذاران می توانند با توجه به دسترسی بیشتر و بروزتر به داده های موثر بر نرخ ارز و با پایش لحظه ای متغیرها و ورود آنها به مدل جامع طراحی شده با استفاده از این روش، میزان انحراف نرخ ارز پیش بینی شده توسط مدل و نرخ ارز موجود را مورد بررسی قرار داده و سیاست های مقتضی را بر این اساس اتخاذ نمایند، به طوری که زیان‌های وارده بر بخش داخلی و خارجی اقتصاد ناشی از شکاف نرخ پیش‌بینی شده و نرخ ارز موجود در حداقل مقدار باشد.

Comparison of The Performance of Artificial Neural Network Models for Exchange Rate Prediction in Iran

Given the high exchange rate fluctuations in Iran, its prediction is one of the major issues and challenges for different groups in the country. This study investigates the performance of six different static and dynamic neural networks for forecasting exchange rates using fundamental, technical and hybrid approaches and using seasonal data over the period (1) 2004 (4) 1396 for variables influencing exchange rate including inflation, Liquidity and GDP for the two countries, Iran and the United States. The findings show that the number of neurons did not have a regular effect on the performance of the networks and that the best results occurred at breaks of three and four. The results also show that the best performance of the static neural network is achieved by a technical approach with a structure of sixteen neurons and four interruptions which provides a relatively accurate exchange rate prediction despite the low number of input data.