برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)

تکه هایی از متن پایان نامه به عنوان نمونه :
دانلود متن کامل در سایت sabzfile.com
(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

فهرست مطالب:

فصل یکم: مقدمه و کلیات

مقدمه. 3

1-1. اظهار مساله. 4

1-2. پرسش پژوهش… 8

1-3. فرضیه­های پژوهش… 8

1-4. اهداف پژوهش… 9

1-5. روش پژوهش… 9

1-6. تعریف واژگان کلیدی.. 11

1-7. سازماندهی پژوهش… 11

فصل دوم: ادبیات موضوع

مقدمه. 13

2-1. مبانی نظری.. 13

2-1-1. تحلیل فنی.. 15

2-1-1-1. مبانی تحلیل فنی.. 16

2-1-1-2. پایه و اساس تحلیل فنی.. 17

2-1-2. تحلیل بنیادی.. 18

2-1-2-1. نقاط اشکال تحلیل بنیادی.. 19

2-1-3. فرضیه گام تصادفی.. 20

2-1-4. انواع نظام­های ارزی.. 20

2-1-4-1. نظام­های ارزی شناور. 22

2-1-4-2. نظام­های ارزی میانه. 24

2-1-4-3. نظام­های ارزی میخکوب شده نرم. 25

2-1-4-4. نظام­های ارزی میخکوب سخت… 27

2-1-5. دیدگاه­های مختلف در ادبیات نرخ ارز. 28

2-1-5-1. دیدگاه سنتی نرخ ارز. 28

الف. روش کشش­ها 28

ب. الگوی برابری قدرت خرید ( ). 30

ج. الگوی ماندل – فلمینگ ( ). 32

2-1-5-2. دیدگاه جدید دارایی.. 34

الف. الگوهای پولی تعیین نرخ ارز. 34

ب. الگوی تعادل پورتفولیو. 37

2-2. مطالعات انجام شده 38

2-2-1. مطالعات خارجی.. 38

2-2-2. مطالعات داخلی.. 46

2-3. مروری بر تحولات ارزی ایران. 48

2-3-1. تحولات ارزی تا زمان وقوع انقلاب اسلامی.. 48

2-3-2. تحولات ارزی پس از وقوع انقلاب اسلامی.. 50

فصل سوم: روش پژوهش
جستجو در سایت :   


3-1. مقدمه. 55

3-2. حدود پژوهش و روش جمع­آوری داده­ها و اطلاعات.. 55

3-3. پیش بینی.. 56

3-4. الگوهای پیش­بینی سری­های زمانی.. 57

3-4-1. الگوی خودرگرسیون میانگین متحرک انباشته ( ). 58

3-4-1-1. تاریخچه خودرگرسیون میانگین متحرک انباشته. 58

3-4-1-2. ویژگی­های روش خودرگرسیون میانگین متحرک انباشته. 59

3-4-1-3. الگوسازی ،  و .. 60

3-4-1-4. الگوی خودرگرسیون میانگین متحرک انباشته. 62

3-4-1-5. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته. 63

3-4-2. الگوهای شبکه­های عصبی مصنوعی ( ). 64

3-4-2-1. تاریخچه شبکه­های عصبی مصنوعی.. 64

3-4-2-2. مبانی شبکه­های عصبی مصنوعی.. 65

3-4-2-3. مزیت­ها و معایب شبکه­های عصبی مصنوعی.. 66

3-4-2-4. ساختار شبکه­های عصبی مصنوعی.. 66

3-4-2-5. دسته­بندی داده­ها 68

3-4-2-6. واحدهای پردازش… 69

3-4-2-7. انواع توابع فعال­سازی (تبدیل). 69

3-4-2-8. انواع شبکه­های عصبی.. 71

3-4-2-9. مراحل اساسی ساخت یک شبکه عصبی مصنوعی.. 74

3-4-2-10. الگوریتم­های آموزش شبکه­های عصبی مصنوعی.. 75

3-4-2-11. شبکه­های پرسپترون چند لایه ( ). 76

3-4-2-12. معیارهای خطا 79

3-4-3. مفاهیم فازی.. 80

3-4-3-1. تاریخچه نظریه فازی.. 80

3-4-3-2. مجموعه­های فازی.. 81

3-4-3-3. عملگرهای فازی.. 82

3-4-3-4. اصل گسترش در مجموعه­های فازی.. 82

3-4-3-5. عدد فازی.. 83

3-4-3-6. مبانی رگرسیون فازی.. 85

3-5. الگوی هوش محاسباتی ترکیبی.. 87

فصل چهارم: یافته­های پژوهش

4-1. مقدمه. 96

4-2. مجموعه­ی داده­ها 96

4-3. آماده­سازی داده­های ورودی.. 97

4-4. برازش الگوی خودرگرسیون میانگین متحرک انباشته. 98

4-5. طراحی و آموزش یک شبکه عصبی مصنوعی.. 105

4-5-1. انتخاب نوع شبکه. 106

4-5-2. تعیین تعداد لایه­ها 106

4-5-3. تعیین تعداد نرون­های هر لایه. 107

4-5-4. تعیین توابع فعال­سازی.. 110

4-5-5. تعیین الگوریتم آموزش… 110

4-5-6. مجموعه­های آموزش و آزمون. 111

4-5-7. معیار سنجش عملکرد. 111

4-6. فازی­سازی الگوی  طراحی شده. 113

4-7. فازی­سازی تجدید نظر شده و نهایی سازی مقادیر ضرایب.. 117

4-8. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها 118

4-9. آزمون فرضیه­های پژوهش… 119

فصل پنجم: اختصار، نتیجه­گیری و پیشنهادها

5-1. اختصار و نتیجه­گیری.. 122

5-2. پیشنهادها 123

منابع. 124

پیوست.. 132

 

فهرست شکل­ها

شکل (2-1): روش­های پیش­بینی نرخ ارز. 15

شکل (3-1): نمایش لایه­ها در شبکه عصبی مصنوعی.. 67

شکل (3-2): ساختار کلی یک پرسپترون چند لایه. 77

شکل (4-1): نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 97

شکل (4-2): داده­های نرمال شده نرخ ارز مربوط به 12 فروردین ماه 1391 تا 21 خرداد ماه 1393. 98

شکل (4-3): مقادیر واقعی و پیش­بینی شده الگوی 104

شکل (4-4): باقیمانده­های الگوی . 105

شکل (4-5): عملکرد  شبکه طراحی شده در داده­های آزمون و آموزش… 109

شکل (4-6): ساختار نهایی  طراحی شده 112

شکل (4-7): مقادیر واقعی و برآورد شده توسط  طراحی شده 113

شکل (4-8): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده اولیه) 116

شکل (4-9): مقادیر واقعی و حد بالا و پایین آن­ها (الگوی فازی­سازی شده نهایی) 11

 

فهرست جدول­ها

جدول (2-1): مزیت­ها و معایب نظام­های ارزی.. 21

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد: مدلسازی نوسانات بازار سهام ایران با استفاده از مدل گارچ چند متغیره

جدول (3-1): متداول­ترین توابع فعال­سازی شبکه­های عصبی مصنوعی.. 70

جدول (4-1): تقسیم­بندی داده­ها به داده­های آموزش و آزمون. 99

جدول (4-2): نتایج حاصل از آزمون ریشه واحد برای متغیر نرخ ارز (دلار پیش روی ریال) 100

جدول (4-3): مقادیر آکائیک در الگوی برآورد شده . 101

جدول (4-4): نتایج تخمین الگوی 107

جدول (4-5): معیارهای عملکرد الگوهای  و 103

جدول (4-6): مطالعه توابع فعال­سازی.. 110

جدول (4-7): تقسیم­بندی داده­ها به داده­های آموزش و آزمون. 111

جدول (4-8): مقادیر مربوط به وزن­ها و بایاس­های  طراحی شده 112

جدول (4-9): معیارهای عملکرد الگوی  طراحی شده 113

جدول (4-10): مقادیر واقعی و حد پایین و بالای آن­ها (الگوی فازی­سازی شده نهایی) 118

جدول (4-11): معیارهای عملکرد الگوی هوش محاسباتی ترکیبی.. 118

جدول (4-12): نتایج به­دست آمده از الگوها 11

 

فهرست علایم و اختصارات

میانگین مطلق خطا ( )

میانگین مربع خطا ( )

مجموع مربع خطا ( )

ریشه میانگین مربع خطا ( )

میانگین درصد مطلق خطا ( ) .

میانگین خطا ( ).

چکیده

پیش­بینی از ابزارها و راهکارهای مؤثر به مقصود برنامه­ریزی و تدوین روش­های مالی می باشد. دقت پیش­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش­بینی می باشد. 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 مقصود 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 می باشد. شبکه‌های عصبی مصنوعی مانند 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 موردها و به عنوان یک الگوی کلی که برای همه موردها مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش­بینی با داده­های کم می باشد. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. پس، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به مقصود حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، بهره گیری ‌شده می باشد. اطلاعات بهره گیری شده در این پژوهش شامل 115 داده­ی هفتگی نرخ ارز (دلار ایالات متحده پیش روی ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 می باشد. در پژوهش حاضر به مقصود 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 ( ) بهره گیری شده می باشد. نتایج نشان می­دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق­تری در پیش­بینی نرخ ارز (دلار پیش روی ریال) ارایه می­دهد

مقدمه

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

مطالعه ادبیات موضوع مربوط به پیش­بینی در بازارهای مالی نشان­دهنده­ی این مطلب می باشد که مطالعه رفتار نرخ ارز با بهره گیری از یک الگو به سختی قابل پیش­بینی بوده و پیش­بینی نرخ ارز معضلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).

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

دسته‌ها: اقتصاد