نرخ ارز یک متغیر اقتصادی است که پیش بینی آن مورد علاقه بسیاری از فعالان اقتصادی است . این علاقه مندان را می توان به سه دسته تقسیم کرد . دسته اول ، سیاست گذاران اقتصادی و بانک های مرکزی هستند که تحت یک نظام ارزی شناور مدیریت شده به منظور هموار سازی تلاطمات بازار ، در بازار ارز دخالت می کنند . دلایل انها برای این مداخله می تواند شامل بیش از حد معمول بودن تلاطمات و نتیجه اثر منفی آن بر فعالیت های اقتصادی باشد . بنابراین داشتن پیش بینی از نرخ ارز لازمه داشتن چنین مداخله ایی است . دسته دوم ، بنگاه های فعال در تجارت و سرمایه گذاری‌های بین المللی هستند . جهانی شدن اقتصادی موجب گسترش بازارها و متنوع تر شدن سرمایه گذاری ها شده است . از مهم ترین ریسک های مرتبط با این فعالیت ها ، ریسک ارز است . تغییرات نرخ ارز ، درآمد ، هزینه و سود را دچار تغییر می کند . بنابراین ، پیش بینی نرخ ارز ، تصمیم گیری بنگاه ها را به منظور کسب منفعت بیشتر تحت تأثیر قرار می دهد . دسته سوم ، سفته بازان بازار ارز هستند . سفته بازان مشتاق ترین علاقه مندان به پیش بینی نرخ ارز هستند .

دو رویکرد نسبت به پیش بینی نرخ ارز وجود دارد . اول رویکرد بنیادی [1] است که پیش بینی نرخ ارز را بر اساس دیگر متغیرهای اقتصادی انجام می دهد .دوم رویکرد تکنیکال[2] که فقط از رفتار گذشت نرخ ارز برای پیش بینی روند آتی آن استفاده می کند و به دلیل عدم توجه به دیگر متغیرهای اقتصادی ، به رویکرد تکنیکال شهرت یافته .

لاپلاس در سال 1776 بیان کرد اگر بتوانیم شرایط اولیه[3] هر پدیده را شناسایی کنیم می توانیم آینده آن را نیز به طور دقیق پیش بینی کنیم . این تفکر مدت ها مورد قبول اندیشمندان عرصه علوم تجربی بود . اما پوانکلاره در سال 1903 بیان کرد خطاهای کوچک امروز به خطاهای بزرگ پیش بینی فردا منجر می شود و از آن جا که اغلب شناخت دقیق وضعیت موجود امکان پذیر نیست و توام با خطاست ، پیش بینی امری غیر ممکن می نماید . به هر حال با آن که نظر غالب امروزی بسیار نزدیک به نظر پوانکلاره است ، اندیشمندان علوم مختلف بخش عظیمی از مطالعات خود را بر پیش بینی متغیرها و پدیده های مورد بررسی علوم مترکز ساخته اند . از میان این علوم « اقتصاد » جوان ترین است .

اکثر متغیرهای اقتصادی از آن پدیده هایی هستند که شناخت وضعیت موجود انها غیر ممکن ، و یا حداقل مشکل است.[4] لذا تا به حال پیش بینی ناپذیر بوده اند . برخی ، این پیش بینی ناپذیری را دال بر وجود روند تصادفی در سری زمان این گونه متغیرها دانسته و به دنبال کشف بخش تصادفی ، و تفکیک آن از بخش غیر تصادفی تغییرات متغیر در طول زمان هستند .[5] مدل های ARIMA (p,d,q ) شاخص ترین این اقدامات هستند که جزء توضیح پذیر را خطی در نظر می گیرند و نوسانات را مستقل از زمان تصور می نمایند . اصولاً در اکثر مطالعات ، فرض بر این است که متغیر مورد بررسی یک روند فعلی مشخص دارد که با یک روند تصادفی « نویز سفید »[6] همراه می شود . به طور خلاصه به این گونه مدل ها عنوان خطی – تصادفی داده می شود . برخی نیز مدل های غیر خطی را بر این متغیرها اعمال کرده اند که از این دست می توان به مدل های ARCH[7] و [8]GARCH که به طور ساده مدل غیر خطی را در واریانس پسماندها اعمال می کند . می توان به مدل های لگاریتمی ، مدل های BOX – COX و … اشاره کرد که همه یک جزء تصادفی را نیز در مدل متصور می شوند . به این مدل ها اصطلاحاً غیر خطی – تصادفی اطلاق می شود .

اما سیستم های خاص هم وجود دارند که تنها ماهیتی غیر خطی داشته و به هیچ وجه تصادفی نیست و یا به عبارت دیگر ، به طور کامل قابل شناسایی[9] هستند . این سیستم ها در وهله اول با سیستم خطی – تصادفی و غیر خطی – تصادفی اشتباه گرفته می شوند . جالب این که این سیستم ها در گمراه کردن اغلب آزمون های تصادفی بودن موفق عمل می کنند ، لذا اگر آزمون های استاندارد تشخیص روند تصادفی به کار گرفته شود ، امکان تشخیص اشتباه وجود دارد . این واقعیت نظر گروهی دیگر از دانشمندان را تقویت می کند که اعتقاد دارند که در جهان واقعی پدیده تصادفی وجود ندارد بلکه مجموعه هایی از علت ها در کنار هم وقوع یک حادثه را رقم می زنند و عدم شناخت این علت ها و نحوه اثر گذاری آنها است که تغییرات پدیده را تصادفی جلوه می دهد . بنابراین هر متغییر مانند Xt در زمان وقوع خود بیان کننده اثر تمامی متغیرهای اثر گذار است و در نتیجه روند آن از نظر تئوریک کاملاً تعیین پذیر است و تصادفی نیست .

در علم ریاضیات به این روندهای غیر خطی تصادفی نما[10] ، « آشوب »[11] اطلاق می شود و روند منتج از انها آشوبی است . به طور خلاصه ، یک آشوب ، سیستمی : 1) غیر خطی ؛ 2) پویاست ؛ 3) در کمال سادگی به خلق روندهای پیچیده می انجامد و 4) نسبت به وجود انحراف از شرایط اولیه بسیار حساس است . به این ترتیب است که تصادفی به نظر می رسد . تشخیص این سیستم از دو جهت جالب توجه است : 1) اگر اثبات شود که یک سیستم آشوبی است راه برای تشخیص نوع سیستم آشوبی و مکانیزمی که این سیستم را تولید می کند هموارتر می شود و می توان برای توضیح این پدیده مدل های مناسب طراحی کرد که در هنگام حل ، جوابی آشوبی ایجاد کند . 2 ) با کشف یک سیستم آشوبی و محتوای آن می توان امیدهای از دست رفته پیش بینی پذیری متغیرها را دوباره زنده کرد .

مطالعه این سیستم در اقتصاد از هر دو حیث حائز اهمیت است . لذا نزدیک به سه دهه است که مطالعات در این زمینه راه خود را در اقتصاد نیز باز نموده است . مطالعات در سه گروه متمرکز شده اند : 1) انهایی که تشخیص روند آشوبی از روند تصادفی را در مورد متغیرهای اقتصادی هدف خود قرار داده اند : 2) انهایی که بر تشکیل مدل هایی نظری که بتواند در حالاتی خاص رفتاری آشوبی خلق نموده

 و در عین حال از اصول اقتصادی تبعیت نماید ، تمرکز کرده اند و 3)انهایی که به دنبال کشف مکانیزم تولید داده های آشوبی در جهان واقعیت و به طور ساده ، فرمول اصلی تولید کننده داده ها بوده اند . متاسفانه علی رغم پیشرفت هایی که در دو زمینه قبلی رخ داده در زمینه سوم دستاور قابل توجهی ایجاد نشده است .

از طرفی درسال های اخیر ، پیشرفت های قابل توجه در پردازش سریع اطلاعات به وسیله کامپیوترها و نرم افزارهای کاربردی ، انگیزه پژوهش و به کارگیری مدل های غیر خطی را در میان اقتصادانان به طور چشم گیری افزایش داده است . یکی از معروف ترین مدل ها در این زمینه ، شبکه های عصبی مصنوعی است .[12]

مدل های شبکه های عصبی مصنوعی از ابزارهای قدرتمند در تجزیه و تحلیل داده ها در علوم مهندسی ، کامپیوتر ، علوم پایه ، پزشکی ، هوا و فضا و بسیاری از رشته های علمی است که استفاده از انها در مدل های اقتصاد کلان در دهه 90 مورد توجه پژوهشگران اقتصاد قرار گرفت . شبکه های عصبی مصنوعی را می توان با اغماض زیاد ، مدل های الکترونیکی از ساختار عصبی مغز انسان نامید . اگر چه مکانیزم دقیق کارکرد مغز انسان (یا حتی جانوران) به طور کامل شناخته شده نیست ، اما با این وجود جنبه های شناخته شده ایی نیز وجود دارند که الهام بخش تئوری شبکه های عصبی مصنوعی بوده اند . به عنوان مثال ، یکی از سلول های عصبی ، معروف به نرون [13] است که دانش بشری آن را به عنوان سازنده اصلی مغز می انگارد . سلول های عصبی قادرند تا با اتصال به یکدیگر تشکیل شبکه های عظیم بدهند . قدرت فوق العاده مغز انسان از تعداد بسیار زیاد نرون ها و ارتباط بین انها ناشی می‌شود.

ساختمان هر یک از نرون ها نیز به تنهایی بسیار پیچیده است . هر نرون از بخش ها و زیر سیستم های زیادی تشکیل شده است که از مکانیزم های کنترلی پیچیده ایی استفاده می کنند . سلول های عصبی می توانند از طریق مکانیزم های الکتروشیمیایی اطلاعات را انتقال دهند . بر حسب مکانیزم های به کار رفته در نرون ها ، انها را به بیش از صد گونه متفاوت تقسیم بندی می کنند .

در اصطلاح فنی ، نرون ها ، ارتباطات بین انها ، فرایند دودویی[14] پایدار [15] یا همزمان [16] محسوب نمی شوند .

در واقع شبکه های عصبی شبیه سازی شده یا کامپیوتری ، فقط قادرند بخش کوچکی از خصوصیات و ویژگی های شبکه های بیولوژیک را شبیه سازی کنند . در واقع هنر یک طراح شبکه های عصبی مصنوعی در چگونگی ترکیب نرون ها در یک شبکه[17] متجلی شود .

علوم بیولوژیک نشان داده اند که ترکیب نرون ها در شبکه عصبی مغز به گونه ایی است که ما را قادر می سازد تا اطلاعات را به صورتی پویا ، تعاملی و خود سازمان[18] پردازش می کنیم . در شبکه های عصبی بیولوژیک ، نرون ها در ساختاری سه بعدی به یکدیگر اتصال یافته اند . اتصالات بین نرون ها در شبکه های عصبی بیولوژیک آنقدر زیاد و پیچیده است که به هیچ وجه نمی توان شبکه مصنوعی مشابه ایی طراحی کرد .

ساختار شبکه های عصبی امروزی ، از لایه های نرون تشکیل شده است ، در چنین ساختاری ، نرون ها علاوه بر آن که در لایه خود به شکل محدودی به یکدیگر اتصال داده شده اند ، از طریق اتصال بین لایه ها نیز به نرون های طبقه مجاور ارتباط داده می شوند .

در حال حاضر یکی از ساده ترین روش های ارتباط دهی در شبکه های عصبی مصنوعی آن است که ابتدا نرون ها در گروه های مشخصی به صورت لایه های نرونی سازماندهی می شوند و پس از تأمین ارتباطات بین نرونی در هر لایه ، ارتباطات بین لایه ها برقررا می شود . اگر چه در کاربردهای مشخصی می توان با موفقیت از شبکه های عصبی تک لایه استفاده کرد ، اما رسم بر آن است که شبکه های عصبی حداقل دارای سه لایه باشد. ( لایه ورودی – لایه میانی ( پنهان ) ، لایه خروجی )

در بسیاری از شبکه های عصبی مصنوعی ، اتصالات بین نرونی به گونه ایی است که نرون های لایه میانی ، ورودی خود را از تمام نرون های لایه پایینی خود ( به طور معمول لایه نرون های ورودی ) دریافت می کنند .

بدین ترتیب در یک شبکه عصبی ، سیگنال ها به تدریج از یک لایه نرون به لایه های بالاتر حرکت می کنند و در نهایت به لایه آخر و خروجی می رسند . چنین مسیری در اصطلاح فنی پیشخور[19] نامیده می شود .

نوع دیگری از اتصالات بین نرونی در شبکه های عصبی مصنوعی به ارتباط بازخورد[20] معروف است . در این نوع ارتباطات ، خروجی یک لایه نرونی به لایه قبلی[21] اتصال داده می شود . ارتباط بین نرونی در شبکه های عصبی مصنوعی از اهمیت بسیار زیادی برخوردار هستند و به نوعی قدرت یک شبکه را تعیین می کنند .

شبکه های عصبی می توانند بر اساس طراحی خود سیگنال های ورودی را طراحی کنند و به سیگنال های خروجی تبدیل نمایند . چنین فرآیندی را آموزش دیدن شبکه عصبی می نامند .

به طور کلی دو روش برای آموزش دادن شبکه‌های عصبی مصنوعی وجود دارد . روش آموزش با ناظر [22] ( معلم ) و روش آموزش بدون ناظر[23] ( بدون معلم ) . در روش آموزش با ناظر آنچه به شبکه به عنوان مجموعه آموزشی داده می شود همراه با قضاوتی است که ناظر انتظار دارد ، لذا نمونه ها همراه با قضاوت از پیش تعیین شده آموزش داده می شوند تا در آینده، شبکه در صورت برخورد با نمونه های جدید ، با توجه به روالی که آموزش دیده است ، عمل کند . اما در آموزش بدون ناظر شبکه های عصبی بدون در اختیار داشتن داده های خروجی ، در معرض آموزش قرار می گیرند . در واقع به تنهایی و بدون کمک خارجی باید با توجه به شکل سیگنال های خروجی خود ، درباره درستی یا نادرستی انها تصمیم بگیرد.

در مواردی ممکن است که شبکه عصبی اصولاً موفق به فراگیری نشود . بدین معنی که پارامترهای شبکه پس از زمانهای طولانی به مقدار مشخصی همگرا نشوند ، چنین مواردی ممکن است بر اثر ناکافی بودن داده های آموزشی و یا اصولاً نقص طراحی شبکه ایجاد شود . باید توجه داشت که فرآیند آموزش شبکه های عصبی فقط به ازای زیر مجموعه ایی از داده هایی که قرار است شبکه انها را در کاربرد حقیقی خود پردازش کند ، آموزش داده می شوند . در صورتی که شبکه بیش از حد آموزش ببیند[24]، یا تعداد داده های آموزشی یک شبکه بیش از حد زیاد باشد ( در واقع از تمامی داده های مسلم برای آموزش دادن به شبکه استفاده شود ) ، شبکه به جای آن که آموزش ببیند ، به حالتی می رسد که به آن حفظ کردن اطلاعات می گویند . در واقع به جای آن که یک شبکه برای حل مساله از هوش خود کمک بگیرد ، از محفوظات خود استفاده می کند . همان گونه که شرایط و موقعیت نیز در نتیجه آموزش تأثیر دارد ، میزان یادگیری شبکه نیز به شدت از شرایط اولیه آغاز آموزش شبکه تأثیر می پذیرد . انتخاب مناسب مقادیر اولیه پارامترهای شبکه ، در نتیجه آموزش آن بسیار موثر خواهد بود . شبکه های عصبی مصنوعی از جنبه های توپولوژی ، ساختاری و روش های یادگیری به انواع مختلفی تقسیم می شوند و هر یک در کاربردهای خاص عملکرد مناسبی از خود نشان می دهند . شبکه عصبی چند لایه پرسپترون [25] با روش یادگیری انتشار وارون[26] یکی از متداولترین شبکه های کاربردی است ، که در این پژوهش با استفاده از آن پیش بینی صورت می گیرد . در مباحث نظری اثبات شده که شبکه MLP در صورت انتخاب صحیح ساختار داخلی مناسب ، قادر است که هر گونه سیستم غیر خطی را مدل کرده و شبیه سازی کند .

1 – 2 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 .

1-fundamental

2-technical

١- شرایط اولیه ، شامل وضعیت یا مقدار اولیه مورد بررسی ، وضعیت تمامی متغیرهای مرتبط با آن و تمامی ساز و کارهای اثرگذار بر متغیر مورد بررسی و سایر متغیرهای اثر گذار می باشد .

٢- یکی از دلایل این وضعیت ، تعداد زیاد متغیرهای اثر گذار بر پدیده های اقتصادی است .

٣- حتی متعصب ترین طرفداران این اندیشه نیز قبول دارند که درون یک متغیر اقتصادی یک جزء توضیح پذیر و غیر تصادفی وجود دارد .

4-white niose

5-Auto regressive conditional Heteroscedasticity

6-Generalited Auto regressive conditional Heteros Cendasticity

1-deteministic

٢- به این دلیل به انها تصادفی نما گفته می شود که اکثر آزمون های استاندارد انها را تصادفی تشخیص دهند .

3-chaos

1-Artificial Neural Networks ( ANN )

1-Neuron

2-Binary

3-stable

4-synchronous

5-neuran clustering

6-selforganiting

1-feed forward

2-feed back

3- این لایه می تواند لایه ایی که چند مرحله پایین تر است باشد .

1-supervised

2-unsupervised

3-over training

1-multi layer perceptron ( MLP )

2-Back Propagation