بررسی اهمیّت و میزان تاثیرگذاری متغیرهای اقتصادی بر نرخ ارز در ایران

پیش‌بینی نرخ ارز یکی از مسائل مهم هر کشور است. روش‌های مرسوم پیش‌بینی و تجزیه و تحلیل آماری سری زمانی بر اساس دو فرض ایستایی و خطی بودن هستند، اما در مواردی که ویژگی خطی‌بودن صدق نکند، در عملکرد این مدل‌ها تردید ایجاد می‌شود. در این راستا، شبکه‌های عصبی مصنوعی از قابلیت بالایی در مدل‌سازی فرآیندهای تصادفی و پیچیده و پیش‌بینی مسیرهای غیرخطی پویا برخوردارند. در این مقاله، با استفاده از یک شبکه عصبی با رویکرد بنیادی، روند تغییرات نرخ ارز را بر اساس متغیرهای اقتصادی موثر بر آن مانند شاخص قیمت مصرف کننده در ایران و آمریکا، ارزش صادرات و واردات، قیمت نفت و قیمت طلا را مدل‌سازی کرده و با تحلیل حساسیت میزان تاثیرگذاری هریک از متغیرها را ارزیابی کرده‌ایم. با استفاده از نتایج مدل می توان اظهار داشت که مدل، بیشترین حساسیت را نسبت به شاخص قیمت مصرف کننده از خود نشان می دهد. همچنین قیمت طلا، صادرات، قیمت نفت و واردات به ترتیب عوامل دیگر موثر بر روند نرخ ارز در ایران هستند.

The importance and effects of economic variables on exchange rate in case of Iran

This paper investigates model estimation and forecasting of exchange rate using artificial neural networks. Recent studies have shown the classification and prediction power of the neural networks. It has been demonstrated that a neural network can approximate any continuous function. In this research, in a technical approach, ARIMA and artificial neural networks have been used for shortterm forecast of daily USD to Rial exchange rate. ANN is employed in training and learning processes and then the forecast performance is measured making use of two common loss functions. The comparison demonstrates that an artificial neural network performs far better than ARIMA, with an error rate of about half. Thereafter, in a fundamental approach via another neural network the effects of some of the most important economic variables on exchange rate prediction in a longterm sense are studied. By sensitivity analysis, the importance and the weight of each economic variable on exchange rate is calculated. The results show that it is possible to estimate a model to forecast the value of exchange rate even by having access to a limited subset of data.