مقایسه قدرت پیش‌بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت‌های جهانی گندم، ذرت و شکر)

پیش‌بینی دقیق قیمت‌های محصولات کشاورزی وارداتی می تواند ضمن کمک به برنامه ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر‌کاربرد‌‌ترین الگوهای پیش‌بینی سری زمانی طی سه دهه ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می‌باشند. مطالعات اخیر در زمینه ی پیش‌بینی با شبکه عصبی مصنوعی نشان‌می‌دهد که شبکه ی عصبی مصنوعی می‌تواند دقت پیش‌بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر‌خطی نمی‌باشد. از این‌رو با ترکیب الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده‌ها با دقت بیشتری الگوسازی می‌گردد. در مطالعه ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش‌بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه ی دقت پیش‌بینی علاوه بر معیارهای مقایسه متداول نظیر rmse، mae، mape و theil c با معرفی آماره گرنجر و نیوبولد معنی‌داری تفاوت دقت پیش‌بینی‌ها نیز بررسی شده است. نتایج پیش‌بینی‌ قیمت‌های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به طور معنی‌داری دقت پیش‌بینی به دست آمده از الگوهای انفرادی را افزایش می‌دهد. بر این اساس، به کارگیری الگوهای تلفیقی در پیش‌بینی قیمت محصولات کشاورزی(به ویژه محصولات استراتژیک) توصیه می‌شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به عمل آید.طبقه بندی jel: c01,c13,c53,c22