پايان نامه ارشد رشته اقتصاد : ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی
آگوست 28, 2016/در قسمت پایان نامه ارشد /توسط 92عنوان کامل پایان نامه :
ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی
قسمتی از متن پایان نامه :
2 – 4 – 5 : آزمون شبکه های عصبی مصنوعی [1]
از مدل شبکههای عصبی مصنوعی میتوان به عنوان یک آزمون برای یافتن فرایند غیر خطی
پویا از جمله فرآیند آشوبناک در دادهها استفاده کرد. مدل شبکههای عصبی مصنوعی ، مدلهای غیرخطی انعطاف پذیری هستند که قادرند برآورد و پیش بینی سریهای زمانی غیر خطی پیچیده را با دقت قابل قبولی انجام دهند. مدلهای شبکههای عصبی مصنوعی معمولا شامل سه لایه ورودی ، میانی و خروجی هستند. دادههای ورودی به دو صورت مستقیم و یا غیر مستقیم و از طریق توابع انتقالی در بخش میانی به لایه خروجی مرتبط میشوند. ارتباط مستقیم بخش خطی و ارتباط از طریق لایه میانی ، بخش غیر خطی مدل را مشخص میکنند. آزمون شبکههای عصبی مصنوعی به صورت زیر تعریف میشوند:
یک مدل شبکه عصبی تعمیم یافته را میتوان به صورت زیر نوشت :
(2-20)
که در آن یک بردار ضرایب ( وزنها ) بین دادههای لایه ورودی (X) و لایه خروجی (y) سیستم است ، شامل بردارهای ضرایب بین q لایه میانی و لایه خروجی ، بردار ضرایب بین لایه ورودی و لایه میانی و G تابع انتقالی در لایه میانی است.همان گونه که تابع بالا نشان می دهد ، در این حالت خروجی مدل (y) تابعی از دو مؤلفه خطی ( ) و غیر خطی است . اگر سری زمانی x دارای فرایند خطی باشد ، عبارت غیر خطی باید حذف شود . بنابراین در این آزمون ، می توان فرضیه صفر را قرار داد . اگر یک فرآیند خود رگرسیون مانند AR را بر روی سری زمانی اجرا کنیم ، پسماندهای بدست آمده را می توان برای آزمون وجود فرآیند غیر خطی در سری زمانی مورد استفاده قرار داد . در صورتی که یک فرآیند خطی به دادهها حاکم باشد، پسماندهای یاد شده نباید با فرآیند خود رگرسیون و هر تابعی از وقفهها بستگی داشته باشد، بنابراین میتوان فرضیه صفر را به صورت تعریف کرد که در آن ، همان پسوندهای رگرسیون خطی y روی X و Gبردار مقادیر لایه های میان مدل شبکه عصبی مصنوعی هستند . لی و دیگران [2]نشان دادند که آماره t به شرح زیر در صورت صحت فرضیه صفر دارای توزیع کای – دو با در جه آزادی f است .
(2-21)
که در آن ، برآورد کننده سازی از است . برای پرهیز از مشکل هم خطی بین X و عناصر G می توان مؤلفه های اصلی G را که با X همبستگی ندارند به جای G به کار گرفت . در این حالت ، آماره دیگری به شرح زیر وجود دارد که محاسبه آن ساده تر از آماره Z است .
که در آن ، T تعداد کل مشاهدات و ضریب همبستگی بدست آمده از رگرسیون خطی پسماندهای ( e ) روی مولفه اصلی G است که با X همبستگی ندارند . اگر ، آماره بالا برای یک سری زمانی بیشتر از مقادیر بحرانی داده شده در توزیع کای – دو باشد ، دلالت به این دارد که یک فرآیند غیر خطی پویا برای داده های حاکم است و در غیر این صورت ، داده ها از یک فرآیند خطی پیروی می کنند .
نکته ای که باید در این ازمون به آن توجه کرد این است که رد فرضیه صفر لزوماً به معنای وجود یک فرآیند آشوبناک نیست . بنابراین اگر پژوهشگر باید به دنبال کشف چنین فرایندی است باید از آزمون های مکمل یاری جوید .
سوالات یا اهداف این پایان نامه :
هدف از تحقیق
هدف از انجام این تحقیق ، ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتیجه بهتر نسبت به هر دو مدل است
برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:
لینک متن کامل پایان نامه رشته جغرافیا با عنوان : ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی با فرمت ورد
Related posts:
نوشتههای تازه
- دانلود پايان نامه ارشد رشته اقتصاد : نفت ایران در گذر زمان
- دانلود پايان نامه ارشد رشته اقتصاد : نفت ایران در گذر زمان
- دانلود پايان نامه ارشد رشته اقتصاد : نفت ایران در گذر زمان
- دانلود پايان نامه ارشد رشته اقتصاد : نفت ایران در گذر زمان
- دانلود پايان نامه ارشد رشته اقتصاد : نفت ایران در گذر زمان