پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی (مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان)

سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصدد یافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگی های چند بعدی نرخ ارز باعث رفتار پیچیده و غیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو فرض ایستایی و خطی بودن بنیان نهاده شده است. در مورد عملکرد این مدل های سنتی بعضا تردیدهای ایجاد شده است. یکی از روش های جایگزین، شبکه های عصبی مصنوعی است که در برخی از موارد توانایی بالقوه خوبی برای پیش بینی سری های زمانی از خود نشان دادهاند. در این مقاله، پس از مرور پژوهش های انجام شده در مورد توانایی پیش بینی مدل های خود توضیح جمعی میانگین متحرک 1 و شبکه های عصبی مصنوعی 2، به مقایسهی این دو روش برای پیش بینی نرخ روزانه ارز در 2112 پرداخته شده است. نتایج /1/ 1991 لغایت 1 /1/ دوره ی از سال 1 تحقیق نشان داده است که روش شبکه های عصبی تخمین های بهتری نسبت به روش میانگین متحرک خود رگرسیون انباشته ارائه میکند. در این پژوهش، از ابزارهای محاسباتی نرم افزار STATGRAPHICSو MATLABو داده های اقتصادی کشورهای استرالیا، کانادا، ژاپن و انگلستان و نرخ ارز 3 آن کشورها نسبت به دلار آمریکا استفاده شده است.