پایان نامه طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران

پایان نامه دوره کارشناسی ارشد در رشته علوم اقتصادی

بهمن 1393

چکیده

پیش­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه­ریزی و تدوین روش­های مالی است. دقت پیش­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش­بینی است. امروزه با وجود روش­های متعدد پیش­بینی، هنوز پیش­بینی دقیق نرخ ارز کار چندان ساده­ای نیست و اکثر محققان درصدد به­کارگیری و ترکیب روش­های متفاوت به منظور دستیابی به نتایج دقیق­تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم­ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم­ترین محدودیت آن­ها پیش‌فرض خطی‌بودن الگو است. شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش­بینی با داده­های کم است. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده ‌شده است. اطلاعات استفاده شده در این پژوهش شامل 115 داده­ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازه­گیری عملکرد پیش­بینی الگوی ارایه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان می­دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق­تری در پیش­بینی نرخ ارز (دلار در مقابل ریال) ارایه می­دهد.

واژگان کلیدی

نرخ ارز، هوش محاسباتی ترکیبی، اقتصاد ایران.

مقدمه

پیش­بینی یکی از ابزا رهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه­ریزی­های اقتصادی محسوب می­شود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخش­های مختلف داخلی و خارجی اقتصادی یک کشور، هم­چون وضعیت تراز ­پرداخت­ها و قدرت رقابت بین­المللی، نقش تعیین­کننده­ای در سیاست­گذاری­های اقتصادی ایفا می­کند. تغییرات نرخ ارز، بخش­های مختلف اقتصاد یک کشور را تحت تأثیر قرار می­دهد. بنابراین، الگوسازی و پیش­بینی روند آتی این متغیر برای ارایه سیاست­ها و رهنمود­های اقتصادی امری ضروری به نظر می­رسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا می­کند. از آن­جا که قسمت اعظم درآمد­های ارزی کشور از طریق فروش نفت خام تأمین می­شود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز می­تواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازار­های داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگو­سازی و پیش­بینی نرخ­های ارز پرداخته است.

بررسی ادبیات موضوع مربوط به پیش­بینی در بازار های مالی نشان­دهنده­ی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیش­بینی بوده و پیش­بینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).

به­ کارگیری روش­های ترکیبی یا ترکیب روش­های مختلف یک راه متداول به منظور رفع محدودیت­های روش­های تکی و بهبود دقت پیش­بینی­ها است. ایده­ی اساسی در ترکیب روش­ها بر این اساس استوار است که هیچ یک از روش­های موجود، یک روش جامع برای پیش­بینی نبوده و قابلیت به­کارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روش­های مختلف می­توان نقاط ضعف یک روش را با استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).

بنابراین، در این پژوهش با به­کارگیری مفاهیم پایه­ای و مزیت­های منحصر به فرد هر یک از الگو­های خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیق­تر برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه می­شود.

1-1. بیان مسأله

پیش­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه ­ریزی و تدوین روش­های مالی است. دقت پیش­بینی­ یکی از مهم­ترین مؤلفه­های مؤثر در انتخاب روش پیش­بینی است. پیش­بینی متغیرهای اقتصادی به دو صورت پیش­بینی کیفی[3] و پیش­بینی کمی[4] صورت می­پذیرد. پیش­بینی کیفی به تجربه و توانایی­های افراد و پیش­بینی کمی به تابع توزیع احتمال هر پدیده بستگی دارد. گجراتی[5] پیش­بینی را بخش مهمی از تحلیل­های اقتصاد­سنجی می­داند و برای برخی از پژوهش­گران مهم­ترین قسمت از علم اقتصاد­سنجی، پیش­بینی است. فریدمن[6] معتقد است تنها آزمون مناسب برای اعتبار یک الگو، مقایسه­ی پیش­بینی آن با تجربه است. پیندایک و روبین­فلد[7] هدف اصلی از ساختن الگوهای رگرسیون را پیش­بینی می­دانند.

نرخ ارز یک متغیر اقتصادی است که پیش­بینی آن مورد توجه­ی بسیاری از فعالان اقتصادی است. این فعالان اقتصادی را می­توان به سه گروه تقسیم کرد. دسته­ی اول سیاست­گذاران اقتصادی و بانک­های مرکزی هستند. تحت یک نظام ارزی شناور بانک­های مرکزی به منظور هموارسازی نوسانات بازار، در بازار ارز مداخله می­کنند. دلایل آن­ها برای این مداخله می­تواند شامل نوسان­های بیش از حد معمول نرخ ارز و در نتیجه اثرات آن بر فعالیت­های اقتصادی باشد. بنابراین، پیش­بینی نرخ ارز از طرف این گروه لازمه­ی چنین مداخله­ای است. دسته­ی دوم بنگاه­های فعال در زمینه تجارت و سرمایه­گذاری مستقیم خارجی هستند که با جهانی شدن اقتصاد، این نوع سرمایه­گذاری­ها و به تبع آن ریسک­های مرتبط با این فعالیت­های بین­المللی افزایش یافته است. از مهم­ترین ریسک­های مرتبط با این فعالیت­ها، ریسک مربوط به نرخ ارز است؛ چرا که تغییرات نرخ ارز، درآمد، هزینه و به تبع آن سود بنگاه­ها را به منظور کسب منفعت بیش­تر تحت تأثیر قرار می­دهد. در نهایت دسته­ی سوم سفته­بازان بازار ارز هستند که با توجه به اهمیت این بازار در عرصه­ی بین­المللی می­توان این گروه را مشتاق­ترین علاقمندان به پیش­بینی نرخ ارز دانست (موسا[8]، 2000).

پیش­بینی نرخ­ ارز برای فعالان و پیش­بینی­کنندگان در بازار نرخ ارز از اهمیت اساسی برخوردار است. با وجود این، برخی معتقدند که پیش­بینی نرخ ارز امکان­پذیر نبوده و سیر تکاملی هر نوع نرخ ارزی از فرضیه­ی بازار کارا ( )[9] تبعیت می­کند. براساس این فرضیه، بهترین روش برای پیش­بینی نرخ ارز روز آتی، اتکا به نرخ کنونی آن بوده و نرخ ارز واقعی از فرضیه­ی گام تصادفی ( )[10] پیروی می­کند. این بدبینی در پیش­بینی نرخ ارز، پس از انتشار مقاله میس و روگوف[11] به وجود آمد. آنان در مطالعه خود نشان دادند که هیچ نوع روش تک معادله­ای، برای پیش­بینی نرخ ارز، بهتر از روش گام تصادفی نیست. چراکه تمامی روش­های بررسی شده توسط این محققان، روش­هایی خطی بوده، در صورتی که این حقیقت توسط بسیاری از محققین پذیرفته شده که تغییرات نرخ ارز، غیرخطی است (پایلبیم[12]، 1998).

نتایج حاصل از بررسی کارا و یا ناکارا بودن بازارهای مالی در ایران نشان­دهنده­ی ناکارا بودن بازار ارز در ایران است (سلامی، 1380).

به­کارگیری روش­های سری زمانی به منظور پیش­بینی بازارهای مالی، بهبود تصمیم­گیری­ها و سرمایه­گذاری­ها به ضرورتی انکارناپذیر در دنیای امروز تبدیل شده است. تلاش­های زیادی در چند دهه­­ی اخیر به منظور توسعه و بهبود الگوهای پیش­بینی سری­های زمانی انجام شده است. یکی از مهم­ترین و پرکاربردترین الگوهای سری­های زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. این الگوها به­دلیل سادگی در فهم و به­کارگیری، در چند دهه­ی اخیر بسیار مورد توجه بوده­اند، اما به­کارگیری آن­ها در حالت کلی محدود است. مهم­ترین محدودیت این­گونه الگوها پیش فرض خطی بودن آن­ها است. بنابراین، الگوهای غیر خطی نمی­توانند توسط الگوی خودرگرسیون میانگین متحرک انباشته محاسبه گردند و به همین دلیل است که برآورد الگوهای خطی، برای مسایل پیچیده دنیای واقعی که بیش­تر الگوهای غیرخطی هستند، همیشه رضایت­بخش نخواهد بود (خاشعی و بیجاری، 1387).

شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت.

روش­های پیش­بینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روش­های مشابه به داده­های کمتری نیاز دارد اما عملکرد آن­ها همیشه رضایت­بخش نیست (خاشعی و بیجاری[13]، 2009).

بنابراین، در پژوهش حاضر از شبکه‌ های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و دستیابی به نتایج دقیق­تر برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) استفاده می­شود.

1-2. پرسش پژوهش

آیا الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوهای خود­رگرسیون میانگین متحرک انباشته ( )[14]، شبکه­های عصبی مصنوعی ( )[15] و الگوی ترکیبی ) ارایه می­دهد؟

1-3. فرضیه­های پژوهش

با توجه به پرسش پژوهش سه فرضیه وجود دارد:

1. الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی خود رگرسیون میانگین متحرک انباشته ارایه می­دهد.

2. الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی شبکه عصبی مصنوعی ارایه می­دهد.

3. الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی ترکیبی ( ) ارایه می­دهد.

1-4. اهداف پژوهش

   با توجه به اهمیت پیش­بینی نرخ ارز، هدف اصلی پژوهش حاضر طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­بینی نرخ ارز در اقتصاد ایران است. در مسیر تحقق این هدف اصلی، برخی دیگر از اهداف فرعی نیز محقق خواهد شد که در زیر به آن­ها اشاره شده است:

بررسی و مقایسه­ی دقت پیش­بینی الگو­های هوش محاسباتی ترکیبی و خودرگرسیون میانگین متحرک انباشته در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)

بررسی و مقایسه­ی دقت پیش­بینی الگو­های هوش محاسباتی ترکیبی و شبکه عصبی مصنوعی در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)

بررسی و مقایسه­ی دقت پیش­بینی الگو­ی هوش محاسباتی ترکیبی و الگوی ترکیبی ( ) در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)

1-5. روش پژوهش

در پژوهش حاضر به منظور پیش­بینی­ نرخ ارز، یک الگوی ترکیبی جدید با تکیه بر مفاهیم اساسی الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه­های عصبی مصنوعی و رگرسیون فازی ارایه می­شود. هم­چنین در الگوی ارایه شده، از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده می­شود.

در الگوی ارایه شده در مرحله­ی اول، ابتدا یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو ، بر روی داده‌های سری زمانی مورد مطالعه برازش می‌گردد. در مرحله­ی دوم، یک شبکه عصبی با استفاده از اطلاعات موجود در باقیمانده‌های الگوی خودرگرسیون میانگین متحرک انباشته آموزش می­بیند. در مرحله­ی سوم، نتایج به­دست‌آمده از مرحله­ی یک و دو به منظور الگوسازی تمامی روابط موجود در داده‌های سری زمانی مورد مطالعه ترکیب می­شوند. در مرحله­ی چهارم الگوی ترکیبی ( )، فازی­سازی می­شود. در نهایت الگوی فازی­سازی شده برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) اعمال و عملکرد آن با الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و الگوی ترکیبی ( ) مقایسه می­شود.

در پژوهش حاضر به منظور اندازه گیری عملکرد پیش­بینی الگوی ارایه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )[16]، میانگین مربع خطا ( )[17]، مجموع مربع خطا ( )[18]، ریشه میانگین مربع خطا ( )[19]، میانگین درصد مطلق خطا ( )[20] و میانگین خطا ( )[21] استفاده می­شود.

1-6. تعریف واژگان کلیدی

نرخ ارز: قیمت مبادله پول رایج یک کشور با پول رایج کشور دیگر است که این مبادلات عموما نقدی و یا وعده­دار در بازار ارز انجام می­گیرند.

بازار ارز: بازاری بین­المللی متشکل از اشخاص، بانک­ها و بنگاه­ها است که در آن ارزهای مختلف با یکدیگر مبادله می­شوند.

هوش محاسباتی: شاخه­ای از هوش مصنوعی است که در آن از الگوریتم­هایی مانند شبکه­های عصبی مصنوعی، محاسبات تکاملی و نظام­های فازی استفاده می­شود.

شبکه عصبی مصنوعی: یک تقریب زننده­ی جهانی است که می­تواند هر نوع تابعی را با دقت دلخواه تقریب بزند (خاشعی و همکاران، 1391).

 1-7. سازماندهی پژوهش

این پژوهش در پنج فصل سازماندهی می­شود. روند پژوهش حاضر به این ترتیب است که ابتدا در فصل اول به بیان مقدمه و کلیات پرداخته می­شود. در فصل دوم ادبیات موضوع به لحاظ نظری و شواهد تجربی بررسی می­شود. فصل سوم به معرفی روش پژوهش اختصاص می­یابد. در فصل چهارم به بیان یافته­های پژوهش و در فصل پایانی به نتیجه­گیری و ارایه پیشنهاد پرداخته می­شود.

                                                    Abstract

Forecasting is one of the effective tools for planning and establishing the financial strategies. Forecastig accuracy is one of the most important factors in choosing the forecasting method. Nowdays, despite the numerous forecasting models available, accurate forecasting is not yet a simple task, especially in exchange rate. Thus, different models have been combined together in order to achive more accurate results. The auto-regressive integrated moving average (ARIMA) models are one of the most important and widely used linear time series models. The most important limitation is the default linear model. Artificial neural networks (ANNs) are one of the most important and most accurate methods for nonlinear modeling. However, with all advantages of ANNs, these models are not the universal model suitable for all circumstances. Fuzzy regression model is suitable model in less-data situations. But their performance is not always satisfactory. Therefore, in this thesis ARIMA models are integrated with ANNs and fuzzy regression in order to overcome the linear and data limitations of ARIMA models, thus obtaning more accurate results. The information used in this thesis consists of 115 weekly data of exchange rate (US Dollars / Iran Rials) from 1391/01/12 to 1393/03/21. In this thesis, to measure the performance of the proposed model is used six indicators Mean Absolut Error (MAE), Sum Square Error (SSE), Root Mean Square Error (RMSE), Mean Absolut Persent Error (MAPE) and Mean Error (ME). The results indicate that the hybrid computational intelligence model gives more accurate results other models in forecasting exchange rate.

Key words: Exchange Rate, A Hybrid Computational Intellegence, Iran Economy

منابع و مآخذ

الف. فارسی

انصاری، رضا (1385). مدل­سازی رفتار کوتاه­مدت نرخ ارز با استفاده از روش شبکه­های عصبی با تأکید بر شاخص تلاطم. پایان­نامه کارشناسی ارشد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف.

انوار، سید حسام­الدین و امین­ناصری، محمد­رضا (1383). کاربرد شبکه عصبی در پیش­بینی نرخ ارز. دومین کنفرانس بین­المللی مدیریت.

بافنده، صادق، فهیمی­فرد، سید­ محمد و شیرزادی، سمیه (1388). پیش­بینی نرخ ارز با مدل­های عصبی - فازی ANFIS، شبکه عصبی - خود رگرسیونی NNARX و خود رگرسیونی ARIMA در اقتصاد ایران (1387-1381). مجله دانش و توسعه، 28، 192-176.

برخورداری، سجاد (1391). سه نظریه برای نظام ارزی کشورهای نفتی و رژیم­های ارزی. فصلنامه تازه­های اقتصاد، 136، 35-31.

حسین­زاده، منصور (1391). پیش­بینی نرخ ارز در ایران با استفاده از یک الگوی پیوندی از الگوی خود­ رگرسیون میانگین متحرک انباشته (ARIMA) و شبکه عصبی مصنوعی (ANN). پایان­نامه کارشناسی ارشد، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران.

حمزه، مصطفی (1391). رابطه­ی پویای بین نرخ ارز و شاخص­های سهام تهران با استفاده از مدل گارچ چند متغیره. پایان­­­نامه کارشناسی­ ارشد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف.

خاشعی، مهدی (1392). تصمیم­گیری هوش نرم. رساله دکتری، دانشکده مهندسی صنایع و سیستم­ها، دانشگاه صنعتی اصفهان.

خاشعی، مهدی و بیجاری، مهدی (1387). بهبود عملکرد پیش­بینی­های مالی با ترکیب مدل­های خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه­های عصبی مصنوعی. فصلنامه پژوهش­های اقتصادی، 2، 100-83.

خاشعی، مهدی، بیجاری، مهدی و مخاطب­رفیعی، فریماه (1391). پیش­بینی نرخ ارز با به کارگیری مدل­های ترکیبی پرسپترون­های چند لایه (MLPs) و طبقه­بندی­های عصبی احتمالی (PNNs). روش­های عددی در مهندسی، 1، 14-1.

خداویسی، حسن و ملابهرامی، احمد (1391). مدل­سازی و پیش­بینی نرخ ارز براساس معادلات دیفرانسیل تصادفی. مجله تحقیقات اقتصادی، 3، 144-129.

درخشانی، کاوه (1390). پیش­بینی اندازه دولت و اجزای آن در ایران با استفاده از روش شبکه عصبی. پایان­نامه کارشناسی ارشد، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران.

درگاهی، حسن و انصاری، رضا (1387). بهبود مدل­سازی شبکه­های عصبی در پیش­بینی نرخ ارز، با به ­کارگیری شاخص­های تلاطم. فصلنامه تحقیقات اقتصادی، 85، 144-117.

رستم­زاده، مهدی (1390). ارزیابی مدل­های تعیین نرخ ارز با استفاده از الگوریتم ژنتیک (مطالعه مورد ایران و اتحادیه اروپا). رساله دکتری، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران.

روبین­فلد، دانیل و پیندایک، رابرت (1370). الگوهای اقتصادسنجی و پیش­بینی­های اقتصادی. ترجمه محمد­امین کیانیان، تهران: انتشارات سمت.

زراء­نژاد، منصور، فقه­مجیدی، علی و رضایی، روح­الله (1387). پیش­بینی نرخ ارز با استفاده از شبکه­های عصبی مصنوعی و مدل ARIMA. فصلنامه اقتصاد مقداری (بررسی­های اقتصادی سابق)، 4، 130-107.

سالواتوره، دومینیک (1387). مالیه بین­الملل. ترجمه حمید­رضا ارباب، تهران: نشر نی.

سلامی، امیربهداد (1380). بررسی کارایی بازار ارز ایران 1378-1370 (آزمون شکل ضعیف). پژوهشنامه اقتصادی، 3، 115-103.

طیبی، سید کمیل، موحد­نیا، ناصر و کاظمینی، معصومه (1387). به کارگیری شبکه­های عصبی مصنوعی در پیش­بینی متغیرهای اقتصادی و مقایسه آن با روش­های اقتصاد سنجی: پیش­بینی روند نرخ ارز در ایران. مجله علمی و پژوهشی شریف، 43، 104-99.

عباسی­نژاد، حسین و محمدی، احمد (1386). پیش­بینی نرخ ارز با استفاده از شبکه­های عصبی و تبدیل موجک. نامه اقتصادی، 1، 42-19.

فتحی، بهمن (1391). پیش­بینی نوسانات سطح آب زیرزمینی  با استفاده از مدل­های تلفیقی شبکه­ی عصبی – فازی تطبیقی – موجکی (WNF) و شبکه­ی عصبی – موجکی (WNN) و مدل خطی (ARIMA) (مطالعه موردی دشت قم) (1391). پایان­نامه کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی شریف.

فهیمی­فرد، حامد (1391). مدل­سازی نرخ حقیقی ارز با تأکید بر اثر نرخ مبادله: تحلیل­های مقطعی و زمانی مبتنی بر داده­های تابلویی 60 واحد پولی 2010-1980. پایان­نامه کارشناسی ارشد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف.

قاسمی، عبدالرسول، اسدپور، حسن و شاصادقی، مختار (1379). کاربرد شبکه عصبی در پیش­بینی سری­های زمانی و مقایسه آن با مدل .ARIMA پژوهشنامه بازرگانی، 14، 120-87.

گجراتی، دامودار (1378). مبانی اقتصاد سنجی. ترجمه حمید ابریشمی، تهران: نشر دانشگاه تهران.

مشیری، سعید (1380). پیش­بینی تورم با استفاده از الگوهای ساختاری، سری زمانی و شبکه­های عصبی. مجله تحقیقات اقتصادی، 58، 184-147.

مرزبان، حسین، اکبریان، رضا و جواهری، بهنام (1384). یک مقایسه بین مدل­های اقتصاد­سنجی ساختاری، سری زمانی و شبکه عصبی برای پیش­بینی نرخ ارز. مجله تحقیقات اقتصادی، 69، 216-181.

منظور، داود و صفاکیش، امیرکاظم (1388). پیش­بینی قیمت برق در بازار رقابتی ایران با رویکرد مدل­های سری زمانی. هفتمین همایش ملی انرژی.

مهدویان، محمد­هادی (1379). روش­های تحلیلی بررسی نرخ ارز، سیاست­های ارز. تهران: موسسه تحقیقات پولی و بانکی.

نادعلی، محمد (1386). انتخاب نظام ارزی مناسب برای اقتصاد ایران با توجه به شوک­های وارد بر آن. پایان­نامه کارشناسی ارشد، دانشکده اقتصاد، دانشگاه تهران.

نفریه، محمد (1387). پیش­بینی نرخ ارز در بازارهای جهانی با استفاده از سیستم­های سازگار. پایان­نامه کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف.

ب. لاتین

Alizadeh, M., Rada, R., Khaleghei, A., & Esfahani, M. M. (2009). Forecasting Exchange Rate: A Neuro Fuzzy Approach. IFSA-EUSFLAT.

Bates, J. M., & Granger, W. J. (1969). The Combination of  Forecasts. Computer and Operations Research, 20, 451-468.

Boero, G., & Cavalli, E. (1997). Forecasting Exchange Rate: A Coparison between Econometric and ANN Models. Journal of Neural Network, 1, 29-42.

Chen, S. M. (1996). Forecasting Enrolments Based on Fuuzy Time Series. Fuzzy Sets and Systems, 3, 311-319.

Chen, A., & Leung, M. T. (2003). A Bayesian Vector Error Correction Model for Forecasting Exchange Rates. Computers & Operations Research, 6, 887-900.

Clemen, R. (1989). Combining Forecasts: A Review and Annotated Bibliography with Discussion. International Journal of  Forecasting, 5, 559-608.

Dornbosch, R. (1976). Expectation and Exchange Rate Dynamics. Journal of Political Economy, 6, 1161-1176.

Frenkel, J. A. (1976). A Monetary Approach to the Exchange Rates: Doctorinal Aspects and Empirical Evidence. Scandinavian Journal of Economics, 2, 200-224.

Friedman, M. (1953). The Methodology of Positive Economics. In Essays in Positive Economics, 6, 29-43.

Gradojevic, N., & Yang, J. (2000). The Application of Artificial Neural Networks to Exchange Rate Forecasting: The Rule of Market Micro Structure Variables. Working Paper hn Bank of Canada, 23.

Gujarati, D. N. (1995). Basic Econometrics. Fourth Edition, The Mc Graw- Hill Company.

Imam, T. (2012). Intelligent Coputing and Foreign Exchange Rate Prediction: What We Know and We Don`t. progress in Intelligent Computing and Applications, 1, 1-15.

Khashei, M., & Bijari, M. (2010). An Artificial Neural Network (p,d,q) Model for Time Series Forecasting.  Expert  System with Applications, 37, 479-489.

Khashei, M., & Bijari, M. (2011). A Novel Hybridization of Artificial Neural Networks and ARIMA Models for Time Series Forecasting. Applied Soft Computing, 11, 2664-2675.

Khashei, M., & Bijari, M. (2011). Which Methodology is Better for Combining Linear and Nonlinear Models for Time Series Forecasting? Journal of Industrial and Systems Engineering, 4, 265-285.

Khashei, M., Bijari, M., & Raissi, G. A. (2009). Improvment of Auto-regressive Integrated Moving Average Models Using Fuzzy Logic and Artificial Neural Networks (ANNs). Neurocomputing, 72, 956-967.

Khashei, M., Hejazi, S. R., & Bijari, M. (2008). A New Hybrid Artificial Neural Networks and Fuuzy Regression Model for Time Series Forecasting. Fuuzy Sets and Systems, 159, 769-786.

Khashei, M., Rafiei, F., & Bijari, M. (2012). Overview and Comparison of Short-term Intravel Models for Financial Time Series Forecasting. Internatinal Journal of  Industrial Engineering & Prodution Research, 4, 261-268.

Khashei, M., Rafiei, F., Bijari, M., & Hejazi, S. R. (2011). A Hybrid Computational Intelligence Model for Foreign Exchange Rate Forecasting. Journal of Industrial and Systems Engineering Intelligent, 7, 15-29.

Kim, K. J. (2003). Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 55, 307-319.

Kuan, K., & Liu, T. (1995). Regression Exchange Rates Using Feed Forward and Recurrent Neural Networks. Journal of Applied Econometrics, 10, 347-364.

Lachtermacher, G., & Fuller, J. D. (1995). Backpropagation in Time Series Forecasting. Journal of Forecasting, 14, 381–393.

Lisi, F., & Schiavo, R. A. (1999). A Coparison between Neural Network and Chotic Models for Exchange Rate Prediction. Computational Statistics & Data Analysis, 30, 87-102.

Meese, R. A., & Rogoff, K. (1983). Empirical Exchange Rate Models of the Seventies: Do They Fit Out of Sample? Journal of International Economics, 14, 3-24.

Moosa, I. A. (2000). Exchange Rate Forecasring. Techniques and Applications. Macmillan Business, 1, 31-39.

Mussa, M. (1976). The Exchange Rate, the Balance of Payments and Monatary and Fiscal Policy under a Regime of Controlled Floating. Scandinavian Journal of Economics, 2, 229- 248.

Obstfeld, M., & Rogoff, K. (2002). Risk and Exchange Rates. NBER Working Paper, 13(8).

Olson, D., & Mossman, C. (2003). Neural Networks of Canadian Stock Returns Using Accounting Ratios. International Journal of Forecasring, 19, 453-465.

Pacelli, V., Bevilaequa, V., & Azzollini, M. (2011).An Artificial Neural Network Model to Forcast Exchange Rates. Journal of Intelligent Learning Systems and Applications, 3, 57-69.

Panda, C., & Narasimhan, V. (2003). Forecasting Daily Foreign Exchange Rate in India with Artificial Neural Network. The Singapore Economic Riview, 48, 181-199.

Pilbeam, A. (1998). Exchange Rate Expectation and Exchange Rate Models: An Empirical Investigation. Applied Economics, 27, 1009-1015.

Preminger, A., & Frank, R. (2007). Forecasring Exchange Rate: Arobuts Regression Approach, International Journal of Forecasting, 23, 71-84.

Reid, M. J. (1968). Combining Tree Estimates of Gross Domestic Product. Economica, 35, 431-444.

Santos, A., Costa Jr, N., & Coelho, L. S. (2007). Computational Intelligence Approaches and Linear Models in Case Studies of Forecasting Exchange Rates. Expert System with Applications, 33, 816-823.

Shaari, A. H., Gharleghi, B., Omar, K., & Sarmadi, T. (2011). A Novel Artificial Neural Network Model for Exchange Rate Forecasting. International Conference on Business and Economic Research Proceeding, 62, 2521-2534.

Yu, L., Wang, S., & Lai, K. K. (2005). A Novel Nonlinear Ensemble Forecasting Model Incorporating GLAR and ANN for Foreign Exchange Rates. Computer & Operations Research, 32, 2523-2541.

Zhang, G. P. (2003). Time Series Forecasring Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50,159-175. 

Zhang, G. P., & Berardi, V. L. (2001). Time Series Forecasting  with Neural Network Ensembles: An Application for Exchange Rate Prediction. Journal of the Operational Research Society, 52, 652-664.

Zhang, G., Patuwo, B. E., & Hu, M. Y. (2004). Forecasting with Artificial Neural Networks. Neurocomputing, 56, 205-232.

Zheng, F., & Zhong, S. (2010). Time Series Forecasting Using a Hybrid RBF Neural Network and AR Model Based on Binomial Smoothing. International Journal of  Information and mathematical science, 31, 208-212.