پایان نامه ارشد با موضوع نرخ بهره، تولید ناخالص داخلی، حداکثر درست نمایی، قانون کار

دانلود پایان نامه ارشد

شبکه‌ي عصبي، قيمت برق را پيش‌بيني کرده‌اند. در اين مقاله اثبات شده که روش شبکه‌ي عصبي، يک ابزار خوبي براي پيش‌بيني کوتاه‌مدت قيمت ساعتي اشتراک برق( براي يک، دو يا سه روز بعد) مي‌باشد. اين روش شناسي مي‌تواند به بهبود قدرت مديريت ظرفيت ماشين‌آلات توليدي و به طور مشخص، سود بخشي بيشتر در عملکرد اشتراک روزانه‌ي انرژي کمک کند. در مقاله‌اي مشابه که توسط دلگادو34(2005) صورت پذيرفته، پيشنهاد مي‌شود که شبکه‌‌ي عصبي براي اندازه‌گيري کارايي به عنوان يک ابزار مکمل براي روش‌هاي رايج مبحث کارايي است. در اين مقاله نشان داده شده که در کاربرد شبکه‌ي عصبي براي بخش عمومي، شبکه‌‌ي عصبي کمک مي‌کند که نتايج مهم‌تري را براي واحدهاي تصميم‌گيري محيا شود. چودهري و حيدر35(2008) در مقاله‌اي قدرت شبکه‌‌هاي عصبي را به عنوان ابزارهاي پيش‌بيني براي نرخ تورم ماهيانه براي 28 کشور OECD ارزيابي مي‌کند و شبکه‌‌ي عصبي را با مدل‌هاي اقتصادسنجي مقايسه کرده است. نتايج نشان مي‌دهد که مدل‌هاي شبکه‌‌ي عصبي براي 45 درصد از کشورها، ‌يک پيش‌بيني کننده‌ي برتر بوده است. اين در حالي است که مدل‌هاي اقتصاد سنجي تنها براي 21 درصد از کشورها درست عمل کرده‌ است. همچنين گيم و راپر36(2009) در مقاله‌اي، يک مدل شبکه‌‌ي عصبي براي برآورد تقاضاي انرژي کره‌‌‌‌جنوبي پيشنهاد مي‌کنند. مدل پيشنهاد شده، تقاضاي انرژي را بهتر از مدل‌هاي رگرسيوني خطي برآورد کرده است. در مطالعه‌اي مشابه توسط يوو، وانگ و لاي37(2007) شبکه‌ها‌ي عصبي براي پيش‌بيني قيمت نقدي نفت خام‌ پيشنهاد شده است. در واقع در اين مقاله از شبکه‌ي عصبي چند لايه پيش‌خور استفاده شده است. همچنين کولکارني و حيدر38(2009)، شبکه‌ي عصبي چند لايه پيش‌خور را براي پيش‌بيني قيمت نقدي نفت خام در کوتاه‌مدت(تا 3 روز آينده) معرفي کرده‌اند. مالک و نصرالدين39(2006) در مقاله‌اي اشاره مي‌کنند که شواهد گذشته نشان می‌دهد که قيمت‌هاي نفت، توليد يک اقتصاد را بر پایه‌ی يک مدل غيرخطي تحت تأثير قرار مي‌دهد. به هر حال، تا کنون توافقات روشني روي شکل تبعي اين تأثير صورت نگرفته است. اين مقاله، شبکه‌ي عصبي را براي پيش‌بيني کوتاه‌مدت تولید ناخالص داخلی با توجه به قيمت‌هاي نفت، پيشنهاد مي‌کند. همچنين در مطالعه‌اي که توسط انگاين و کريپس40(2001) انجام شده، روش‌ شبکه‌هاي عصبي و روش آناليز رگرسيون چند‌گانه در جهت پيش‌بيني ارزش مسکن مقايسه شده است. نتايج نشان مي‌دهد که روش‌ شبکه‌هاي عصبي بهتر از روش آناليز رگرسيون چند‌گانه در امر پيش‌بيني، عمل کرده است. بعلاوه در مقاله‌اي که توسط تاپينن41(1998) صورت پذيرفته، مدل‌هاي شبکه‌ي عصبي و مدل‌هاي رگرسيون خطي در پيش‌بيني نرخ بهره با استفاده از داده‌هاي آمريکا، مقايسه شده‌اند. بر مبناي تجربه، انتظار بر اين است که مدل‌هاي شبکه‌ي عصبي نسبت به مدل‌هاي رگرسيون خطي در امر پيش‌بيني، بهتر عمل کنند. به هر حال در طول دوره‌ي 1995- 1994، شبکه‌ي عصبي در پيش‌بيني افزايش نرخ بهره، زياد موفق عمل نکرده است.

تصريح مدل و روش‌هاي مورد استفاده

مقدمه
در اين تحقيق، ابتدا شاخص نااطميناني نرخ ارز با بکارگيري الگوي واريانس ناهمساني شرطي اتورگرسيو تعميم‌يافته(GARCH)، محاسبه و کمّي شده و به عنوان يک متغير توضيحي براي متغير وابسته رشد اقتصادي، معرفي شده است و سپس با توجه به شبکه‌ي عصبي، بررسی‌ها و پيش‌بيني‌های لازم صورت پذیرفته است.
الگوهاي سري‌هاي زماني42 كاربردهاي فراواني در مدل‌سازي پديده‌هاي فيزيكي و فعل‌و‌انفعالات مابين آنها، دارند. به عنوان نمونه ARMA43 يكي از مرسوم‌ترين مدل‌هاي مورد استفاده در اين زمينه است. يكي ديگر از اين الگوهاي سري زماني، مدل‌هاي ناپایدار44 مي‌باشد كه براي مدل‌سازي پديده‌هاي ناپايدار پيشنهاد شده است. ناپايداري در اين گونه مدل‌ها با تغيير واريانس در زمان به وجود مي‌آيد. از جمله اين‌گونه سري‌ها مي‌توان مدل‌هاي اساسي 45ARCH وGARCH46 را نام برد كه براي مدل‌سازي ناپايداري فرآيندهاي اقتصادي همانند نرخ بهره، نرخ ارز و نرخ تورم پيشنهاد شده‌اند. در مدل GARCH، ناپایداری47 به معني واريانس متغير با زمان، شرطی48 نشان‌دهنده‌ي وابستگي مشروط به مشاهده‌ي گذشته و خودرگرسیون49 يك مكانيزم بازگشتي را توضيح مي‌دهد كه اثر مشاهدات گذشته را در زمان فعلي می‌بیند و تعمیم‌یافته50 نيز به معني روش تعميم‌يافته است. در نتيجه، همان‌گونه كه از عنوان اين مدل مشخص مي‌شود به طور كلي GARCH مكانيزمي است كه در آن، واريانس آينده از واريانس‌هاي دوره‌های قبل تأثیر می‌پذیرد. به عبارت ديگر GARCH يك تكنيك مدل‌سازي سري زماني است كه در آن از واريانس‌هاي گذشته براي توضیح رفتار واريانس آينده استفاده مي‌شود. در دهه گذشته از GARCHبراي مدل‌سازي سري‌هاي زماني داراي ناپايداري(مانند پديده‌هاي اقتصادي) استفاده شده است.

مدل ARCH
انگل51(1982) ناپايداري در سري‌هاي زماني را توسط جملات اخلال در گذشته‌هاي نه چندان دور مدل‌سازي کرده است. يک مدل ساده‌ي ARCH به صورت زير است:
(‏3 1)
σ_t^2=E((u_t^2)⁄ζ_t )=γ_0+γ_1 u_(t-1)^2+…+γ_p u_(t-p)^2
به طوري که ζ_t مجموعه اطلاعات روي اينکه واريانس شرطي u_t باشد را نشان مي‌دهد. اين شاخص همه‌ي اطلاعات گذشته را تا دوره‌ي t در بر دارد. در رابطه‌ي(3-1)، واريانس شرطي u_t روي اطلاعات گذشته تا دوره‌ي t، يک تابع خودرگرسيون از مرحله‌ي p در ارزش وقفه‌ي درجه دوم u_t است. اين فرآيند ARCH(p) ناميده مي‌شود. از آنجا که رابطه‌ي(3-1) نشان‌ دهنده‌ي يک واريانس است لذا همه‌ي γ_i براي i = 0,1,…,p بايستي نامنفي باشند. انگل(1982) نشان داد که يک آزمون ساده براي ناپايداري بررسي فرضيه‌ي H_0:〖 γ〗_1=γ_2=…=γ_p=0 است.

مدل ساده‌ي ARCH(1) مي‌تواند به صورت زير توليد شود:
(‏3 2)
σ_t^2=γ_0+γ_1 u_(t-1)^2
که در آن
u_t=〖[γ_0+γ_1 u_(t-1)^2]〗^(1⁄2) 〖 ϵ〗_t به طوري که ϵ_t~IID52(0,1).
يک مدل ARCH دومشخصه دارد:
1- ميانگين شرطي53 ؛
واريانس شرطي54؛

در اين حالت ميانگين شرطي به صورت زير خواهد بود:
(‏3 3)
E(u_t⁄ζ_t )=〖[γ_0+γ_1 u_(t-1)^2]〗^(1⁄2) E(ϵ_t⁄ζ_t )=0
به طوري که u_(t-1)^2 در زمان t معلوم و مشخص مي‌باشد.

به طور مشابه، واريانس شرطي مي‌تواند به صورت زير باشد:
(‏3 4)
E((u_t^2)⁄ζ_t )=[γ_0+γ_1 u_(t-1)^2]E((ϵ_t^2)⁄ζ_t )=γ_0+γ_1 u_(t-1)^2
زيرا که E(ϵ_t^2 )=1.

همچنين کواريانس شرطي را نيز به راحتي مي‌توان نشان داد که صفر است:
(‏3 5)
E((u_t u_(t-s))⁄ζ_t )=u_(t-s) E(u_t⁄ζ_t )=0 for s=”1″,”2″,…,t
مدل‌های ARCH مي‌تواند توسط روش‌هاي GLS و حداکثر درست نمایی برآورد شوند.
مدل GARCH
مدل GARCH اولين بار توسط بلرسلف55(1986) به صورت تعميمي بر روش پايه‌اي مدل ARCH، توسعه يافت كه در نتيجه آن توانست با تعداد پارامترهاي كمتري مدل‌سازي مورد نظر را انجام دهد. قابل ذكر است رابطه ARCH با GARCH همانند رابطه AR باARMA مي‌باشد. كاربرد اوليه مورد نظر بنيانگذاران اين روش‌ها، مدل‌سازي سري‌هاي زماني مربوط به فرايندهاي اقتصادي همانند نرخ بهره، نرخ ارز و … بود.
پس از آشنايي كلي با مدل‌هاي ناپایدار و نيز نمونه تعميم‌يافته GARCH، در ادامه به روابط رياضي حاكم بر اين مدل پرداخته مي‌شود.
يك فرايند (GARCH(p,q می‌تواند به صورت زیر بیان شود:
(‏3 6)
σ^2 (t)=γ_0+ ∑_(i=1)^p▒〖γ_i u^2 (t-i)〗+∑_(j=1)^q▒〖δ_j σ^2 (t-j)〗
در این حالت واریانس شرطی u، به q تعداد وقفه‌های واریانس شرطی(وقفه‌های σ^2) و به p تعداد وقفه‌های مربع جمله‌ی خطا(وقفه‌های u^2) بستگی دارد. ضرايب γ_i و δ_j به ترتيب، ضرايب ARCH و GARCH ناميده مي‌شوند.
در این صورت مدل ساده‌ی GARCH(1,1) به صورت زیر خواهد بود:
(‏3 7)
σ^2 (t)=γ_0+γ_1 u^2 (t-1)+δ_1 σ^2 (t-1)
معادله‌ فوق نشان می‌دهد که واریانس شرطی u در زمان t نه تنها به مربع جمله‌ی خطا در دوره‌ی گذشته بستگی دارد(مشابه ARCH(1)) بلکه همچنین به واریانس شرطی دوره‌ی قبل نیز وابسته است.
شبکه‌ي عصبي
تاريخچه
از حدود سال 1940 به طور همزمان امّا جداگانه، از سويي نوروفيزيولوژيست‌ها سعي مي‌کردند سيستم يادگيري و تجزيه و تحليل مغز را کشف کنند و از سويي رياضيدانان تلاش مي‌کردند تا مدل رياضي بسازند که قابليت فراگيري و تجزيه تحليل عمومي مسائل را دارا باشد. از آن زمان، بارها اين اتفاق افتاد که رياضيدانان يافته‌هاي نوروفيزيولوژيست‌ها را پياده‌سازي کردند، بدون اين که بدانند چرا، و در عمل مشاهده کردند که سيستم پياده شده کارايي شگفت انگيز سيستم طبيعي را دارد. پس از آن توانستند منطق زيربنايي سيستم طبيعي را درک کنند. اگر چه از همان ابتدا، رياضيدانان توانسته بودند مدل رياضي يک سلول عصبي يا نرون را بسازند، امّا تا حدود 1974 دانش مربوط به نوع اتصال اين واحدهاي شبه نروني به يکديگر تکامل لازم را نيافته بود. امروزه برنامه‌هاي کاربردي متعددي در دسترس هستند که با اين روش کار مي‌کنند. اگر چه کاربرد اين برنامه‌ها به ويژه براي افراد عادي کمي مشکل است، امّا محققين روز به روز، بيشتر و بيشتر آنها را به کار مي‌گيرند. براي تجزيه و تحليل يک سيستم پيچيده به وسيله روش شبکه‌هاي عصبي، نياز به دانش زيادي درباره سيستم مورد مطالعه نمي‌باشد، چون عمل تجزيه و تحليل و يادگيري در مغز شبکه اتفاق مي‌افتد نه در مغز محقق، امّا به هر حال بهره‌گيري از دانش کلي درباره روش‌کار اين شبکه‌ها براي کاربران آنها ضروري است، چرا که تنظيمات ساده و کلي در اين برنامه‌ها وجود دارند که آگاهي از آنها براي ساختن يک مدل موفق ضروري است.
شبکه‌هاي عصبي مصنوعي در واقع مثلثي هستند که 3 ضلع مفهومي دارند:
سيستم تجزيه و تحليل داده‌ها؛
نرون يا سلول عصبي؛
شبکه يا قانون کار گروهي نرون‌ها؛

با توجه به تعريف کلاسيک، شبکه عصبي عبارت است از مجموعه‌اي عظيم از پردازشگرهاي موازي که استعداد ذاتي براي ذخيره اطلاعات تجربي و به کارگيري آن‌ها را دارند و اين شبکه دست کم از دو نظر شبيه مغز انسان است:
مرحله‌اي موسوم به يادگيري دارد.
وزن‌هاي سيناپسي جهت ذخيره دانش به کار مي‌روند.
وظيفه شبکه‌هاي عصبي، يادگيري است. تقريباً چيزي شبيه يادگيري يک کودک خردسال. يادگيري در شبکه‌هاي عصبي رايج به شکل يادگيري تحت نظارت56 است. نوع ديگر يادگيري يعني يادگيري بدون نظارت57 هم توسط شبکه‌هاي عصبي شبيه‌سازي شده است و کاربردهاي کمتري دارد.
مفهوم شبكه
يكي از روش‌هاي كارآمد در حل مسائل پيچيده، شكستن آن به زيرمسئله‌هاي ساده‌تر است كه هر كدام از اين زير بخش‌ها به نحو ساده‌تري قابل درك و توصيف باشند. در حقيقت يك شبكه، مجموع‌هاي از اين ساختارهاي ساده است كه در كنار يكديگر سيستم پيچيده نهايي را توصيف مي‌کنند.
شبكه‌ها انواع مختلفي دارند امّا همگي آن‌ها از دو مؤلفه تشكيل مي‌شوند:
مجموعه‌اي از گره‌ها؛
هر گره در حقيقت واحد محاسباتي شبكه است كه ورودي‌ها را گرفته و بر روي آن پردازش انجام مي‌دهد تا خروجي به دست آيد. پردازش انجام شده توسط گره، مي‌تواند از ساده‌ترين نوع پردازش‌ها نظير جمع‌كردن ورودي‌ها تا پيچيده‌ترين محاسبات را شامل شود. در حالت خاص، يك گره مي‌تواند خود، شامل يك شبكه ديگر باشد.
اتصالات بين گره‌ها؛
اين اتصالات نحوه گذر اطلاعات بين گره‌ها را مشخص مي‌كند. در حالت كلي اتصالات مي‌توانند تك‌سويه58 يا دوسويه59 باشند. تعامل بين گره‌ها از طريق اين اتصالات، سبب بروز يك رفتار كلي از سوي شبكه مي‌گردد كه چنين رفتاري به تنهايي در هيچ يك از اِلمان‌هاي شبكه ديده نمي‌شود. جامع بودن اين رفتار كلي بر عملكرد موجود در هر گره، سبب تبديل شبكه به يك ابزار توانمند مي‌شود. به عبارت ديگر، مجموعه‌اي ساده‌ از اِلمان‌ها وقتي در قالب يك شبكه باشند مي‌توانند رفتاري از خود بروز دهند كه هيچ يك از آن اِلمان‌ها به تنهايي قادر به بروز چنين مشخصه‌اي نبود.
شبكه عصبي مصنوعي
آن‌چنان كه بيان شد انواع

پایان نامه
Previous Entries پایان نامه ارشد با موضوع اقتصاد کشور، ساختار بازار، شبکه‌های عصبی مصنوعی، شبکه عصبی مصنوعی Next Entries پایان نامه ارشد با موضوع رشد اقتصادی، پرسپترون چند لایه، شبکه‌های عصبی مصنوعی، اقتصاد ایران