پیش‌بینی نرخ ارز با استفاده از نقشه‌های خودسازمان‌ده بازگشتی

نوع مقاله : علمی- پژوهشی

نویسنده

استادیار گروه اقتصاد، دانشگاه آزاد اسلامی قزوین

چکیده

تغییرات نرخ ارز در کشورهای درحال‌توسعه، که اغلب صادرکنندۀ مواد خام‌اند، بیش‌تر از دیگر کشورها اهمیت دارد. ایران نیز نه‌تنها به‌علت وابستگی شدید به درآمدهای ارزی حاصل از صادرات نفت از این امر مستثنی نیست، بلکه به‌علت اعمال جدی‌تر تحریم‌های اقتصادی در سال‌های اخیر و تأثیرپذیری شدید نرخ ارز از این امر این اهمیت دوچندان شده است. بنابراین، در این مقاله سعی شده است با درنظرگرفتن عوامل مؤثر در نرخ ارز و هم‌چنین، درنظرگرفتن اثرات تحریم با استفاده از نقشه‌های خودسازمان‌ده بازگشتی[i] مدلی برای پیش‌بینی نرخ ارز ارائه شود. برای این کار علاوه‌بر عوامل مؤثر در آن به‌طور هم‌زمان از سری زمانی مربوط به نرخ ارز نیز برای پیش‌بینی مدل استفاده شده است و درمجموع، دوازده متغیر انتخابی از متغیرهای مؤثر کلان در نرخ ارز، و اثر تحریم و شاخص قیمت بازارهای رقیب، یعنی طلا، بورس، و مسکن در مدل‌ وارد شدند. نتایج تحقیق نشان داد که این مدل ابزار مناسبی برای پیش‌بینی نرخ ارز است.
 
 



[i]. self-organizing map (SOM)
2. به‌علت دردست‌رس‌نبودن اطلاعات شاخص قیمت مسکن از داده‌های قیمت زمین به‌منزلۀ نزدیک‌ترین شاخص مربوط به داده‌های قیمت مسکن استفاده شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Exchange Rate Forecasting using Recurrent Self-Organizing Maps

نویسنده [English]

  • Neda Bayat
Assistant Professor of Economics, Islamic Azad University, Qazvin Branch
چکیده [English]

Exchange rate is one of the most important variables in economics, which impacts many other macroeconomic variables in an economy.  Such changes are more important in developing countries, which are often exporters of raw materials. Exchange rate fluctuations in Iran is also critical since the country is highly dependent on foreign exchange earnings from oil exports and also subject to the severs sanctions imposed by the US in recent years. In this paper, we propose a forecasting model using recurrent self-organizing maps to forecast the exchange rates considering the factors affecting the exchange rate markets. In total, 12 selected variables are used in modeling the exchange rate, which includes the effective macro variables and the price index of competing markets, such as gold, stock exchange and housing. We also control for the effect of sanctions. The results show that the model produces relatively accurate forecasts of the exchange rates with a less than 3% error.

کلیدواژه‌ها [English]

  • Exchange Rate
  • Forecasting
  • Recurrent Self-Organizing Maps
  • Self-Organizing Maps
  • sanction effects. JEL Classification: F31،Y91،F51
ابراهیمی، مریم و مهدی پدرام (1393)، «بررسی اهمیت و میزان تأثیرگذاری متغیرهای اقتصادی بر نرخ ارز در ایران»، فصل‌نامۀ سیاست‌گذاری پیشرفت اقتصادی، ش 2.
اصغرپور، حسین، علی مهدی‌لو، و میثم اسماعیلی (1392)، «بررسی عوامل تعیین‌کنندۀ نرخ ارز مؤثر واقعی در ایران با استفاده از رگرسیون فازی»، فصل‌نامۀ پژوهش‌های اقتصادی کاربردی، ش 3.
حلافی، حمیدرضا، علی‌رضا اقبالی، و ریحانه گسکری (1383)، «انحراف نرخ ارز واقعی و رشد اقتصادی در اقتصاد ایران»، پژوهش‌نامۀ اقتصادی، دورۀ 4، ش 3.
حیدری، حسن و صمد عزیزنژاد (1395)، «تحلیل نوسانات نرخ ارز در ماه‌های اخیر»، مطالعات اقتصادی، گروه بازارهای مالی، مرکز پژوهش‌های مجلس، شمارۀ مسلسل 15250.
خاشعی، مهدی، مهدی بیجاری، و فریماه مخاطب رفیعی (1391)، «پیش‌بینی نرخ ارز با به‌کارگیری مدل‌های ترکیبی پرسپترون‌های چندلایه (MPLs) و طبقه‌بندی‌کننده‌های عصبی احتمالی (PNNs)»، فصل‌نامۀ روش‌های عددی در مهندسی، ش 1.
خواجه محمدلو، علی و حسن خداویسی (1396)، «بررسی ارتباط نرخ ارز، نرخ تورم، و نرخ بهره تحت رویکرد تئوری‌های فیشر در اقتصاد ایران»، فصل‌نامۀ مطالعات اقتصادیِ کاربردی ایران، ش 24.
سپهوند، احسان، روح‌الله نیرومند، و محمدرضا زارع مهرجردی (1393)، «تعیین عوامل مؤثر بر نرخ ارز در ایران»، فصل‌نامۀ تحقیقات توسعۀ اقتصادی، ش 16.
شاه‌حسینی، سمیه و علی رضایی (1396)، «پیش‌بینی نرخ رسمی ارز در ایران با استفاده از مدل خودرگرسیونی ARIMA هم‌راه با عامل‌های مداخله‌ای و مقایسۀ آن با مدل گام تصادفی»، اقتصاد و تجارت نوین، ش 1.
فتاحی، شهرام، آرش احمدی، و علی‌اکرم میرزایی (1391)، «مقایسة دقت روش الگوریتم ژنتیک با روش‌های دیگر پیش‌بینی‌های نرخ ارز»، مطالعات و سیاستهای اقتصادی، ش 1.
قاسمی، محمدرضا، داوود محمودی‌نیا، و ثریا میرزایی (1392)، بررسی فرایند آشوبی و پیش‌بینی نرخ ارز ایران طی سال‌های 1391- 1359»، فصل‌نامۀ تحقیقات توسعۀ اقتصادی، ش 12.
کازرونی، علی‌رضا، زانا مظفری، مریم کریمی کندوله، و مسلم امینی (1394)، «تأثیر انحراف نرخ ارز مؤثر واقعی بر صادرات غیرنفتی ایران کاربردی از ره‌یافت BEER»، فصل‌نامۀ دانش مالی تحلیل اوراق بهادار، ش 32.
گرشاسبی، علی‌رضا و مجتبی یوسفی دین‌دارلو (1395)، «بررسی اثرات تحریم بین‌المللی بر متغیرهای کلان اقتصادی ایران»، فصل‌نامۀ تحقیقات مدل‌سازی اقتصادی، ش 25.
محمدعلی‌زاده، آرش، رضا راعی، و شاپور محمدی (1394)، «پیش‌بینی سقوط بازار سهام با استفاده از شبکه‌های عصبی‌نگاشت خودسازمان‌ده»، فصل‌نامۀ تحقیقات مالی، ش 1.
منافی انور، وحید، فرهاد خداداد کاشی، جهانگیر بیابانی، و فاطمه پاسبان (1394)، «عوامل مؤثر بر تغییرات نرخ ارز واقعی و تأثیر آن بر شاخص رقابت‌پذیری در اقتصاد ایران 1392- 1358»، فصل‌نامۀ علوم اقتصادی، ش 32.
مهرآرا، محسن (1384)، «نرخ ارز حقیقی و عوامل تعیین‌کنندۀ آن در اقتصاد ایران»، فصل‌نامۀ تحقیقات اقتصادی، ش 3.
ورتابیان کاشانی، هادی (1392)، «تحلیل منشأ نوسانات نرخ ارز طی سال‌های 1391- 1389»، فصل‌نامۀ سیاست‌های مالی و اقتصادی، ش 4.
 
Abuaf, N. and P. Jorion (1990), “Purchasing Power Parity in the Long Run”, The Journal of Finance, vol. 45, no. 1.
Afolabi, M. O. and O. Olude (2007), “Predicting Stock Prices Using a Hybrid Kohonen Self Organizing Map (SOM)”, in: System Sciences, 40th Annual Hawaii International Conference on IEEE.
Amano, R. A. and S. Van Norden (1998), “Oil Prices and the Rise and Fall of the US Real Exchange Rate”, Journal of International Money and Finance, vol. 17, no. 2.
Brandl, B. and S. Pickl (2009), “Increasing the Fitness of Fundamental Exchange Rate Forecast Models”, Int. J. Contemp. Math. Sciences, vol. 4, no. 16.
Chen, S. H. and H. He (2004), “Searching Financial Patterns with Self-Organizing Maps”, in: Computational Intelligence in Economics and Finance, Springer, Berlin, Heidelberg.
Deboeck, G. J. (1998),“Financial Applications of Self-Organizing Maps”, Neural Network World, vol. 8, no. 2.
Eichenbaum, M. and C. L. Evans (1995), “Some Empirical Evidence on the Effects of Shocks to Monetary Policy on Exchange Rates”, The Quarterly Journal of Economics, vol. 110, no. 4.
Edwards, S. (1998), Capital Flows, Real Exchange Rates, and Capital Controls: Some Latin American Experiences, (no. w6800), National Bureau of Economic Research.
Episcopos, A. and J. Davis (2001), “Prediction Returns on Canadian Exchange Rates with Artifificial Neural Networks and EGARCH Models”, Neural Computing & Application, vol. 4, no. 3.
Ganbold, B., I. Akram, and R. Fahrozi Lubis (2017), “Exchange Rate Volatility: A Forecasting Approach of Using the ARCH Family Along with ARIMA SARIMA and Semi-Dtructural-SVAR in Turkey”, Published in: Uluslararası Ekonomi, Finans ve Ekonometri Öğrenci Sempozyumu (EFEOS), vol. 1.
Gharleghi, B. and A. H. Shaari (2012), “Is Monetary Variable a Determinant in the Ringgit-dollar Exchange Rates Model: A Cointegration Approach”, Sains Malaysiana, vol. 41 (9).
Kohenen, T. (1997), Self-Organizing Maps, Lecture Notes in Information Sciences.
Li, J., I. Tsiakas, and W. Wang (2015), “Predicting Exchange Rates out of Sample: Can Economic Fundamentals Beat the Random Walk”, Journal of Financial Econometrics, vol. 13, no. 2.
McKenzie, E. D. (1984), “General Exponential Smoothing and the Equivalent ARMA Process”, Journal of Forecasting, vol. 3.
Mitra, S. and A. Mitra (2006), “Modeling Exchange Rates Using Wavelet Decomposed Genetic Neural Networks”, Statistical Methodology, vol. 3, no. 2.
Morales, J. L. and J. Nocedal (2011), “Remark on Algorithm 778: L-BFGS-B, Fortran Routines for Large-Scale Bound Constrained Optimization”, ACM Transactions on Mathematical Software, vol. 38.
Negnevitsky, M. (2017), “Identification of Failing Banks Using Clustering with Self-Organising Neural Networks”, Procedia Computer Science, vol. 108.
Saputro, D. R. S. and P. Widyaningsih (2017), “Limited Memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) Method for the Parameter Estimation on Geographically Weighted Ordinal Logistic Regression Model (GWOLR)”, in: AIP Conference Proceedings, vol. 1868, no. 1, AIP Publishing.
Smith, J. and K. F. Wallis (2009), “A Simple Explanation of the Forecast Combination Puzzle”, Oxford Bulletin of Economics and Statistics, vol. 71, no. 3.
Varsta, M., J. Heikkonen, J. Lampinen, and J. D. R. Millán (2001), “Temporal Kohonen Map and the Recurrent Self-Organizing Map: Analytical and Experimental Comparison”, Neural Processing Letters, vol. 13, no. 3.