2-1- مقدمه13
2-2- تاریخچه پیشبینی متغیرهای اقتصادی14
2-3- مبانی نظری پیشبینی17
2-3-1- روشهای پیشبینی20
2-3-1-1- روشهای پیشبینی کیفی20
2-3-1-2- روش دلفی21
2-3-1-3- سناریو نویسی22
2-3-1-4- رویکرد ذهنی22
2-3-2- روشهای پیشبینی کمی22
2-3-2-1- روشهای پیشبینی سریزمانی23
2-3-2-2- پیشبینی سریهای زمانی با استفاده از روشهای مسطحسازی25
2-3-2-3- پیشبینی سریهای زمانی با استفاده از ترسیم روند28
2-3-2-4- پیشبینی سریزمانی با استفاده از روند و مولفههای فصلی28
2-3-3- روش علی پیشبینی29
2-3-4- ارزیابی عملکرد پیشبینی مدلها30
2-4- پیشبینی بازارهای مالی31
2-5- مالی رفتاری31
2-5-1- طمع و ترس33
2-5-2- تاریخچه بورس در جهان34
2-5-3- تاریخچه بورس در ایران35
2-6- تعاریف و مبانی تحلیل تکنیکال37
2-6-1- تاریخچه تحلیل تکنیکال40
2-7- کارایی بازار43
2-8- مروری بر منابع تحقیق44
2-8-1- تحلیل تکنیکال44
2-8-2- روش های اقتصاد سنجی45
2-8-3- روشهای احتمالی غیرخطی لاجیت-پروبیت46
2-8-4- روشهای ابتکاری و فرا ابتکاری48

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

2-8-5- روش شبکه عصبی مصنوعی52
2-8-6- ساختار شبکههای عصبی مصنوعی53
2-9- جمع بندی56
فصل 3: روش تحقیق57
3-1- مقدمه58
3-2- پایایی58
3-2-1- آزمون دیکی فولر تعمیم یافته59
3-2-2- آزمون پرون60
3-3- خودهمبستگی61
3-3-1- تابع خودهمبستگی و خود همبستگی جزئی61
3-4- روش تخمین پارامتر62
3-4-1- روش حداقل مربعات62
3-4-2- روش بیشینه درستنمایی62
3-5- مدلهای سری زمانی63
3-5-1- مدل میانگین ARMA63
3-5-2- مدل واریانس ARCH و ARCH تعمیم یافته64
3-6- برازندگی مدل66
3-6-1- خود همبستگی باقیماندهها66
3-6-1-1- آماره دوربین واتسون67
3-6-1-2- آزمون خودهمبستگی ضرایب لاگرانژ بروش گادفری67
3-7- مدلهای احتمال غیر خطی67
3-7-1- مدل پروبیت67
3-7-2- مدل لاجیت67
3-7-3- مدل مقدار حدی67
3-7-4- آزمون برازندگی مدل اندرو و هاسمرلمن شو67
3-8- شبکه های عصبی67
3-8-1- شبکه های عصبی پرسپرترون چندلایه70
3-9- روش اعتبار سنجی71
3-10- ازمون تحلیل واریانس71
فصل 4: تجزیه و تحلیل یافتههای تحقیق73
4-1- مقدمه74
4-2- آمار توصیفی74
4-2-2- پایایی سریهای زمانی76
4-2-3- نمودار سریزمانی77
4-3- مدلهای اقتصادسنجی سری زمانی80
4-3-1- مدل میانگین80
4-3-2- مدل واریانس83
4-4- مدلهای احتمال غیر خطی87
4-4-1- مدل پروبیت87
4-5- مدل شبکه عصبی مصنوعی72
4-6- اعتبار سنجی73
4-7- معیارهای خطا73
4-8- آزمون برابری نسبتها74
4-9- تحلیل نتایج و جمعبندی74
فصل 5: جمع بندی و پیشنهادها75
5-1- محتوا76
5-1-1- جمع‌بندی76
5-1-2- نوآوری76
5-1-3- پیشنهادهای آتی76
جدول (4-1) آمار توصیفی سری های زمانی64
جدول (4-2) آزمون های پایایی دیکی فولر تعمیم یافته و فیلیپس پرون65
جدول (4-3) مدل سازی میانگین سری های زمانی68
جدول (4-4) مدل اولیه احتمالی غیر خطی پروبیت 1 روزه68
جدول (4-5) مدل اولیه احتمال غیرخطی پروبیت 5 روزه70
جدول (4-6) مدل نهایی احتمال غیرخطی پروبیت 1 روزه71
جدول (4-7) مدل نهایی احتمال غیرخطی پروبیت 5 روز73
جدول (4-8) اعتبار سنجی پیش بینی داده های مدل سازی احتمال غیرخطی پروبیت 1 و 5 روز74
جدول (4-9) مدل اولیه احتمال غیرخطی لاجیت 1 روز75
جدول (4-10) مدل اولیه احتمال غیرخطی لاجیت 5 روز76
جدول (4-11) مدل نهایی احتمال غیرخطی لاجیت 1 روز76
جدول (4-12) مدل نهایی غیرخطی لاجیت 5 روز77
جدول (4-13) اعتبار سنجی پیش بینی داده های مدل سازی احتمال غیرخطی لاجیت 1 و 5 روز78
جدول (4-14) مدل اولیه احتمال غیر خطی مقدار حدی 1 روز79
جدول (4-15) مدل اولیه احتمال غیرخطی مقدار حدی 5 روز80
جدول (4-16) مدل نهایی احتمال غیرخطی مقدارحدی 1 روز80
جدول (4-17) مدل نهایی احتمال غیر خطی مقدار حدی 5 روز81
مقدمه
تعریف مساله و موضوع اصلی تحقیق
در اقتصاد کنونی جهان، مدیریت بهینه سرمایه با توجه به فشارهای فزاینده محیطی و منابع خارجی محدود اهمیت بسزایی پیدا کرده است. لذا پیشبینی برای سرمایهگذاران و اقتصاددانان از اهمیت خاصی دارد. نظریههای گوناگونی برای پیشبینی در بازارهای مالی ارائه شده است.
تا قبل از دهه 80 میلادی تقریبا همه نظریه های اقتصادی اکادمیک بر مبنای نظریه گام تصادفی بوده است. در این نظریه حرکت قیمت سهام یک حرکت تصادفی بوده و در یک بازار کارای شفاف، به هیچ وجه امکان پیش بینی قیمت نیست. در بازار کارا قیمت های اوراق بهادار بهسرعت نسبت به اطلاعات جدید تعدیل میگردند. تغییر قیمت روند خاصی نداشته، گشت تصادفی بوده و بازار حافظه ندارد. در این بازار سود فوق العاده حاصل اتفاق و شانس بوده و روشهای پیشبینی قدرتی نداشتهاند.نوشتن توضیحات درباره نظریات[dd1] دیگر پیشبینی
روشهای گوناگونی بر اساس نظریه ……… برای پیشبینی در بازارهای مالی بهکار گرفته شده است. مدلهای سری زمانی1 مبتنی بر نظریههای مالی و اقتصادی بوده و به طور گسترده برای پیشبینی متغیرها و سریهای زمانی مورد استفاده قرار میگیرد. به دلیل عدم ارتقای مناسب این مدلها و تحت تاثیر قرار گرفتن براوردها از عوامل خارجی که بر صحت پیشبینیها موثر است محققین در سالهای اخیر به بررسی مدلهای سنتی خطی و غیرخطی برای دستیابی به پیشبینیهای دقیقتر پرداختهاند.
توضیحات درباره مدلهای احتمال غیر[dd2] خطی و شبکه عصبی
تحلیل تکنیکال از زمان تولد بازار های سرمایه به وجود آمده و سالهاست که اموزش داد شده و کتابها ی بسیاری برای یادگیری این فن به چاپ رسیده است. با این حال اعتبار قوانین این روش ها تا قبل از دهه 80 در برابر نظریه گام تصادفی رنگباخته بود. اما لروی(1973) و لوکاس(1978) در تحقیقاتشان وجود رابطه قوی بین نظریه گام تصادفی و نظریه بازار کارا را ضعیف کرده و بیان می کنند که نظریه گام تصادفی برای تعیین منطقی قیمت سهام ،نه لازم است و نه کفایت می کند. لو و مکینلی(1988) به عنوان پیش گامان استفاده از روش های پیش بینی از نقطه نظر علمی نشان دادند که بازده بازار سهام تا درجه خاصی قابل پیش بینی است. لذا تحلیل تکنیکال و دیگر ابزار ها و روش های پیش بینی از جمله روش اقتصاد سنجی سری زمانی که از روش های شناخته شده برای پیش بینی تغییرات متغیر سری زمانی می باشد مورد توجه قرار گرفت.
در این تحقیق با توجه به نقش بسزای مقادیر شاخصهای تکنیکی در تشخیص جهت حرکت قیمت سعی در ترکیب این شاخصها با روشهای پیشبینی شده ….
با افزایش معامله گران بازار سهام،ضرورت تکیه بر بر تحلیل های علمی –اصولی برای موفقیت در این بازار ها بیش از پیش احساس می شد.در بازار سرمایه ایران این خلا کاملا مشهود است.مشاهدات .نشان می دهد معامله گران آزاد در بازار سهام ایران برای معامله از روش های الزاما علمی استفاده نکرده و بعضا با تجربه شخصی و حتی بعضا با “حس” خود نسبت به معامله اقدام به خرید و فروش می کنند. اما کارایی و قدرت این روش ها و ابزار هابرای پیش بینی متفاوت است.
با توجه به گستره کاربرد تحلیل تکنیکال از یک سو و تفاوت اساسی که بین مفروضات این روش با روش های اقتصاد سنجی وجود دارد،لازم است اولا حوزه و دامنه کاربرد این دو گروه از روش ها مشخص شود و ثانیا قدرت پیش بینی ان ها مورد ارزیابی و مقایسه قرار بگیرد.
سابقه شکاف تحقیقات موجود و ضرورت انجام تحقیق
کارهای تکنیکال کار کرده ها (8-10 تا) + تاکید بر اینکه در این تحقیق به مقایسه این تکنیکال و مدل های سری زمانی پرداخته شده است. سرچ
فرضیه ها یا سوال های تحقیق
در این بخش فرضیات اصلی و فرعی تحقیق که میبایست پاسخ داده شود ارائه میگردد:
قدرت پیشبینی روشهای اقتصاد سنجی سریزمانی از روشهای غیرخطی اختلاف معنیداری دارند.

اهداف
هدف اصلی از این تحقیق بررسی قدرت روش های مرسوم جاری شامل اقتصاد سنجی سریزمانی، مدلهای احتمال غیرخطی و شبکه عصبی مصنوعی با استفاده از مهمترین شاخصههای تحلیل تکنیکال به عنوان ورودیها(در دو مدل آخر) در پیش بینی جهت حرکت قیمت سهام در بازار بورس اوراق بهادار تهران میباشد. هدف کاربردی این تحقیق مشخص کردن حوزه وکاربرد هریک از سه روش در پیشبینیهای یک و پنج روزه، با ضرورت عدم انجام ارزیابی این سه روش بر روی یک مورد مطالعاتی به طور همزمان در داخل کشور میباشد.
کاربردهای تحقیق
این تحقیق برای معاملهگران بازار سهام در تشخیص بجا و درست روش های پیشبینی غیرخطی و سری زمانی بر اساس شاخصه های تکنیکی مطروح مفید و مثمر ثمر بوده و ایده هایی برای پژوهشگران در توسعه این موضوع، که در ایران کمتر کار شده است فراهم میآورد.
جنبه جدید بودن و نوآوری در تحقیق
جنبه جدید و نوآوری تحقیق شامل درگیرکردن ابزار ومبانینظری تحلیلگران تکنیکی بازار بورس در مدلهای غیرخطی مذکور در این تحقیق میباشد. در تحقیقهای انجام شده در داخل کشور با محوریت تحلیل تکنیکال به بکارگیری اثر همزمان چندین شاخصه تکنیکی بر پیشبینی قیمت سهام و یا جهت حرکت قیمت سهام پرداخته نشده است. عمده تحقیقهای داخل کشور در این حوزه از شاخصههای تکنیکی خانواده میانگین متحرکها استفاده کرده و به مقایسه آنها با یکدیگر در پیشبینی قیمت سهام پرداختهاند. به عنوان مثال نبوی و حسن زاده [1]، به مقایسه قدرت پیشبینی یکی از پرکاربردترین شاخصههای تکنیکی یعنی میانگین متحرک(MA)،میانگین متحرک وزنی(WMA) و میانگین متحرک نمایی(EMA) در دوره های 30 و 60 و 90 روزه برای 6 شرکت فعال در بازار سهام ایران پرداختهاند.(1390)
در تحقیقهای خارج از کشور اما از مدل شبکه عصبی مصنوعی با ورودیهای شاخصهای تکنیکال استفاده شده و پیشبینی صورت گرفته است لیکن به مقایسه آن با مدلهای خطی مانند سریزمانی اقتصادسنجی پرداخته نشده است. یکی از معتبرترین این تحقیقها به مقایسه مدل شبکه عصبی مصنوعی با مدل ماشین بردار پشتیبان2 که هر دو از شاخصهای تکنیکال به عنوان ورودیهای مدل خود استفاده کردهاند، پرداخته است. رفرنس.تهش
روش انجام تحقیق
روش تحقیق این پژوهش از نوع تحلیل کمی با ابزار ها و شاخصه های اقتصاد سنجی سری زمانی و تحلیل تکنیکال می باشد.
تهرانی، کارگری و داور زاده )1393 (در مقاله ای به بررسی استفاده از تحلیل تکنیکال در بازار جهانی طلا پرداختند. نتایج تحقیق آن ها نشان داده است که استفاده از سیگنالهای خرید و فروش با استفاده از شاخص قدرت نسبی(RSI)3 روش تقاطع 50 در بازار جهانی طلا، در 37 سال گذشته معنی دار و سودمند بوده است.
صمدی، ایزدی نیا و داورزاده(1389) برای اولین بار در تحقیقی به بررسی کارایی تحلیل تکنیکال در بازار بورس اوراق بهادار تهران، در سه سطح شاخص کل، گروهها و شرکتها پرداخته اند. از نتایج تحقیق آن ها مشاهده گردید که استفاده از تحلیل تکنیکال در بورس اوراق بهادار تهران در سطح شاخص کل از کارایی مناسب تری نسبت به سطح گروهها و سطح گروهها نسبت به سطح شرکتها برخوردار است.
تهرانی و اسماعیلی(1391) به بررسی تأثیر استفاده از شاخصهای مهم تحلیل تکنیکال بر بازدهی کوتاهمدت سرمایه‌گذاران در بورس اوراق بهادار تهران در مقاله‌ای با همین نام پرداخته‌اند. آنها در تحقیق خود اثرگذاری 7 شاخص معتبر را در قالب دو نوع شاخصهای تحلیل تکنیکال روند و نوسانات بر روی 62 شرکت در طی سالهای 1380 تا 1384 که هم شامل دوره رونق و هم‌دوره رکود می‌شود، موردبررسی قرار داده‌اند. تحقیق آنها نتایج جالبی را به همراه داشته است. هریک از شاخصهای تحلیل تکنیکی به‌صورت مستقل و یا ادغام شاخصهای تحلیل تکنیکال روند، در مقایسه با استراتژی خرید و نگهداری نمیتوانند بازدهی بالاتر و غیر نرمالی را عاید سرمایه‌گذاران کنند اما ادغام شاخصهای تحلیل تکنیکال نوسانات و در نظر گرفتن آنها با یکدیگر بخصوص شاخص قدرت نسبی و تصادفی باهم، به‌طور معناداری بازدهی بالاتری می‌تواند ایجاد نماید.
روش و ابزار گردآوری اطلاعات
دادههای این تحقیق از کتابخانه سازمان بورس اوراق بهادار تهران استخراج‌شده است. همچنین فرمول و نحوه محاسبه شاخصههای تکنیکی استفاده‌شده در این تحقیق از بخش راهنمای نرم‌افزار مفیدتریدر4، نرم‌افزار مختص تحلیل تکنیکال شرکت کارگذاری مفید با داشتن اکثریت ابزارهای تحلیل تکنیکال، استخراج‌شده و همگی با نرم‌افزار متلب5 برای همه سهامها محاسبه و جمع‌آوری‌شده است.
جامعه آماری و تعداد نمونه
جامعه آماری این تحقیق سهام شرکتهای همه صنایع پذیرفته‌شده در بورس اوراق بهادار تهران هست و 26 سهام شرکتهای صنعت پتروشیمی که در بازار بورس اوراق بهادار تهران پذیرفته‌شده‌اند به‌عنوان نمونه انتخاب گردیدهاند. بازه زمانی 600 روز معاملاتی بازار بورس اوراق بهادار تهران قبل از اولین روز معاملاتی سال 94 به‌عنوان بازه دادههای مدلسازی و 67 روز معاملاتی اول سال 94 به‌عنوان بازده دادههای آزمون انتخاب‌شده است.
ساختار تحقیق
در این پایان نامه ابتدا کلیتهای موضوع و ضروریتهای انجام تحقیق عنوان میگردد.
.
.
.

در این سایت فقط تکه هایی از این مطلب(به صورت کاملا تصادفی و به صورت نمونه) با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود-این مطالب صرفا برای دمو می باشد

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

.
مبانی نظری، مروری بر منابع تحقیق
مقدمه
تجزیه و تحلیل سری زمانی آغاز قابل توجهی را در حوزه های علوم اجتماعی و فیزیکی به همراه داشت. مفاهیم اساسی در هر موضوع به وجود آمد و راهشان را به دیگر حوزه ها با انتقال از طریق فن آوری باز کردند.(بریلینگر، 2000). در مدل های سری زمانی تک متغیر، متغیرهای اقتصادی و مالی بر اساس مقادیر گذشته و جاری آنها و جملات خطای آنها، مدل سازی و پیشبینی می شوند. معمولا مدل های سری زمانی را بر اساس تئوری بنا نمی کنند، بلکه تلاش میشود تا از نظر تجربی ویژگیهای مربوط به دادههای مشاهده شده را تبیین نمایند. این مدل ها در مقابل مدل های ساختاری قرار دارند. مدلهای ساختاری مدلهای چند متغیر بوده و تغییرات یک متغیر را توسط تغییرات مقادیر جاری و گذشته متغیرهای دیگر توضیح می دهند. شاخصههای تکنیکالی یکی از ابزارهای تحلیلگران تکنیکال برای پیشبینی قیمت و یا جهت حرکت قیمت در کوتاهمدت است. لذا بررسی توضیح دهندگی تغییر جهت حرکت قیمت سهامها توسط این شاخصهها میتواند مورد توجه قرار بگیرد. این موضوعی است که درباره شاخصهها بصورت فردی و یا جمعی همواره مورد قضاوت تحلیلگران است، زیرا آنها بطور کاملا تجربی و عینی نتیجه پیشبینی خود را با استفاده از یک یا ترکیبی از شاخصهها مورد بررسی قرار میدهند و به دنبال یک استراتژی مناسب در استفاده از این شاخصهها می باشند. در این تحقیق قصد داریم امکان انجام علمی اینکار، با استفاده از مدلهای احتمال غیرخطی و شبکهعصبی مصنوعی، برای ترکیبی از شاخصهها وبا مورد مطالعاتی سهام شرکتهای صنعت پتروشیمی ارزیابی کرده و با مدلهای پیشبینی خطی مقایسه نماییم.
متناسب با اهداف تحقیق، در این فصل در ابتدا نگاهی به تاریخچه پیدایش بورس در جهان و ایران و سیرتکامل تحلیل تکنیکال داشته و با مبانی تحلیل تکنیکال صرفا درباره شاخص تکنیکال آشنا شده و توضیحاتی درباره برخی شاخصههای تکنیکال آوردهایم. سپس مروری جامع برمبانی نظری و تاریخی مدلهای مورد بررسی در این تحقیق، بهترتیب مدلهای اقتصادسنجی سریزمانی، مدلهای احتمال غیر خطی و مدلهای شبکه عصبی مصنوعی خواهیم داشت.
تاریخچه پیشبینی متغیرهای اقتصادی
کپی از یک لینک فارسی (جملات تغییر کنند).
تاریخ ادبیات اقتصادی حاکی از آن است که برای پیشبینی متغیرهای اقتصادی از دوشیوه متمایز روشهای ساختاری و غیرساختاری بهره گرفتهشده است. در روشهای ساختاری، سریزمانی تغییرات اقتصادی را مشاهده کرده و از درون لنز تئوریهای اقتصادی به تحلیل و پیشبینی آن میپردازند؛ اما روشهای غیر ساختاری به تئوریهای اقتصادی اتکا دارند.
دوره طلایی مدلهای پیشبینی ساختاری مربوط به دهههای 1950 و 1960 میلادی میباشد که چارچوب آن بر مدلهای ساختاری کینزی در دهههای 1930 و 1940 میلادی بنا شده بود. پیشبینیهای حاصل از مدلهای ساختاری از نوع شرطی بوده و مشروط بر تعدادی فرض انجام میشود. اولین مدلی که در این چارچوب برای پیشبینی مورد استفاده قرار گرفت سیستم معادلات همزمان بود که چارچوب تئوریک آن را کلاین و گلدبرگر (1955) ارائه کرده بودند.
در اواخر دهه 1970 میلادی، با نقد لوکاس (1976) بر سیستم معادلات همزمان، پیشبینی مبتنی بر مدلهای ساختاری کینزی تضعیف شد و رو به افول نهاد. در پاسخ به انتقاد وارده بر مدلهای ساختاری، دو واکنش پدیدار گشت. در واکنش اول فیر (1984،1994) و تیلور (1993) سعی کردند سیستم معادلات همزمان را بنحوی ارتقا دهند که دقت پیشبینی آنها افزایش یابد؛ مثلا تلاش کردند فرضیه انتظارات عقلایی را مدلسازی کزده و وارد سیستم معادلات همزمان نمایند. امروزه مدلهای فیر و تیلور در برخی نهادهای اقتصادی نظیر صندوق بینالمللی پول (IMF)6 مورد استفاده قرار میگیرد. در واکنش دوم که تغییری افراطی محسوب میشود، توسعه مدلهای غیر ساختاری هدف قرار گرفت. از آنجا که مدلهای غیر ساختاری بیشتر توسط اقتصادسنجها و اقتصادکلان سنجها توسعه یافته بود، مدلهای غیرساختاری بیشتری توسط ریاضیدانان، آماردانان و مهندسین در قرن بیستم بسط داده شد.
اولین مدلهای غیرساختاری در دههی 1920 با مقالات اسلاتسکی (1927) و یول (1927) ارائه شد. این مقالات بیان میکنند که معادلات تفاضلی خطی ساده، چارچوب قوی و مناسبی برای مدلسازی و پیشبینی گسترهی وسیعی از متغیرهای اقتصادی و سریهای زمانی مالی فراهم مینمایند. چنین معادلات تفاضلی تحت عنوان فرایندهای خودرگرسیون شناخته میشوند. در چنین فرایندی مقدار دوره جاری سریزمانی به صورت میانگینی از وقفههای خود و یک شوک تصادفی نمایش داده میشود. یول و اسلاتسکی در مطالعات دیگر به بررسی فرایندهای میانگین متحرک پرداختند و به این ترتیب نسل جدیدی از مدلهای سریزمانی به نام مدلهای خودرگرسیون میانگین متحرک(ARMA)7 به دایره مدلهای غیر ساختاری پیشبینی اضافه گردید. دردههی 1930، والد نشان داد که تحت شرایطی، بخش تصادفی یک سریزمانی میتواند مبتنی بر روش معادلات تفاضلی ارائه شده توسط یول و اسلاتسکی، مدلسازی شده و به بهبود دقت پیشبینی کمک نماید.کالمن این تئوری را گسترش داد و فرمولهای پیشبینی خود را در چارچوب مدل حالتفضا که فرایندی بازگشتی را طی مینماید ارائه داد و این چارچوب ساختهشده با عنوان فیلترکالمن8 معرفی گردید. در سال 1970، باکس و جنکینز9 کتابی در مورد تحلیل سریهای زمانی و پیشبینی آنها ارائه کردند. نظرات آنها در این کتاب سبب پیشرفت قابل توجهی در ادبیات پیشبینی گردید. در این کتاب تمرکز بر مدلهای تکمتغیره بوده اما به دلیل اینکه روابط بین متغیرهای اقتصادی فراگیر و پیچیده است، اقتصاددانها تحلیل سریهای زمانی را تکمیل کرده و مدل خودرگرسیون برداری را به منظور بررسی روابط بین متغیرها و ارائهی پیشبینیهای دقیقتر معرفی نمودند. مقاله کلاسیک سیمز(1980) به رواج گسترده مدل خودرگرسیون برداری انجامید و به عنوان جایگزینی برای سیستم معادلات همزمان معرفی شد. با گذشت زمان نسخههای جدید و تکمیلشدهای از مدل خودرگرسیون برداری نظیر خودرگرسیون برداری تفاضلی و خودرگرسیونبرداری ضمیمهشده(SVAR)10 یا عامل به ادبیات اقتصادی افزوده شد.
در ادامه تلاشها برای مدلسازی غیرساختاری روابط بین متغیرها و به منظور استفاده از اطلاعات مقیاس گسترده، مدلهای عاملپویا توسط سارجنت و سیمز(1977) و گوک(1977) معرفی شد. با گذشت زمان مدلهای عامل پویا11 توسط استاک و واتسون (1989)، کاه و سارجنت(1993)، فورنی و ریچلین(1997) بسط داده شد و برای پیشبینی مورد استفاده قرار گرفت.
تا پیش از دهه 1980، عمده ادبیات مربوط به پیشبینی غیر ساختاری بر اساس این فرض که متغیرهای مورد استفاده باید پایایی12 داشته باشند، بنا شده بود. لذا قاعده بر این بود که متغیرهای اقتصادی دارای ریشه واحد ابتدا تحت تبدیلی پایا شوند و سپس از آنها در مدلهای پیشبینی استفاده گردد. این روش، منجر به آن میشد که بسیاری از اطلاعات موجود در سطح متغیرها با تفاضلگیری از بین میرفت (زیرا از روش تفاضلگیری[dd3] برای پایایی متغیرها ستفاده میکردند). در یک تحول بزرگ در ادبیات، گرنجر(1981) و انگل و گرنجر(1987) ایدهی همانباشتگی را برای شناسایی روابط بلندمدت بین متغیرها و استفاده از آن برای پیشبینی معرفی کردند.
تاریخچهای که تاکنون ارائه شد، مربوط به پیشبینی مبتنی بر مدلهای خطی بود. پیشبینی متغیرهای اقتصادی، مدلهای غیرخطی نیز در سالهای اخیر توجه زیادی را به خود جلب کرده است. مدلهای غیرخطی در چند دهه اول قرن بیستم توسعه یافتند. این مدلها در پاسخ به یکی از مشکلات مهم در پیشبینی، یعنی شکستهای گاه به گاه و تغییرات در سریزمانی متغیر و ماندگاری طولانی مدت شوکهای گذشته به وجود آمدند. مدل TAR[2]، STAR[3] و MS[4] سه نوع مدل معروف و پرکاربرد از مدلهای غیرخطی محسوب میشوند. همچنین به منظور کنترل اثرات شکست، مدلهای با پارامترهای زمان متغیر نیز به ادبیات پیشبینی افزوده شده است.
اخیرا موج جدیدی از مدلهای ساختاری به نام مدلهای DSGE[5] توسعه پیدا کردهاند. این مدلها در واقع نسخه جدید و تکمیل یافته از سیستم معدلات همزمان میباشد که معادلات آن از بهینهیابی رفتار آحاد اقتصادی حاصل میگردد. مدلهای DSGE به منظور بررسی اثرات تغییر در یک قاعده سیاستی بر عملکرد سایر متغیرهای کلان بوجود آمدهاند. در سالهای اخیر مطالعات زیادی به بررسی عملکرد این مدلها در حوزه پیشبینی پرداختهاند، به عنوان نمونه فاست ورایت(2011)..باید توجه داشته باشیم که مدلهای ساختاری نظیر DSGE عموما به منظور پیشبینیهای بلندمدت و مدلهای غیرساختاری سریزمانی برای پیشبینیهای کوتاه مدت و میان مدت کاربرد دارند.
با توجه به آنچه در تاریخچه پیشبینی مطرح شد. برخی مدلها ماهیت ساختاری و برخی غیرساختاری دارند، برخی در کوتاهمدت و برخی در بلندمدت عملکرد مطلوبی دارند، برخی در مقابل شکستها و تغیییر رژیم استوار و برخی آسیبپذیرند و…. . در واکنش به این واقعیت و به منظور پیشبینی دقیقتر ، نهادهای سیاستگذاری متخصصان پیشبینی، طیف وسیعی از مدلهای پیشبینی را مورد استفاده قرار میدهند تا ریسک ناشی از خطای یک مدل خاص را کاهش دهند.
مبانی نظری پیشبینی13
پیشبینی به عنوان یک روش یا یک تکنیک برای تخمین بسیاری از جنبههای یک تجارت و یا دیگر رفتارها در جهان تلقی گردد. تکنیکهای زیادی وجود دارد که میتواند برای بهنتیجهرسیدن اهداف پیشبینی استفاده شود. به عنوان مثال یک خرده فروش که 25 سال است به این تجارت میپردازد میتواند میزان حجم فروش خود در سالهای پیشرو را بر اساس مشاهدات دوره 25 ساله گذشته پیشبینی کند. چنین روش پیشبینی، پیشبینی آینده از دادههای گذشته است. واژه پیشبینی یک روش تکنیکی تلقی میشود و یک جنبه بحرانی مهم در برنامهریزی هر سازمان، تجارت، و … میباشد. موفقیت طولانیمدت در هر سازمان و تجارت بسیار بستگی به این دارد که مدیریت آن سازمان یا تجارت چقدر قادر خواهد بود آینده سازمانش را پیشبینی کند و استراتژیهای مناسب برای مقابله با سناریوهای محتمل را بهبود ببخشد. بینش14، قضاوت15 درست و آگاهی16 از اینکه اقتصاد چگونه بخوبی کار میکند به مدیر یک شرکت تجاری ایدههای خوبی از اینکه چه چیزی به احتمال زیاد در آینده اتفاق میافتد، میدهد. با این حال، تبدیل یک ایده درباره آینده به اعدد مفید و دقیق، مانند حجم فروش سال آینده یا هزینه مواد اولیه در هر محصول، کار آسانی نمیباشد. روشهای پیشبینی میتواند به براورد بسیاری از این چنین جنبههای یک کارتجاری کمک کند.
توجه به قدرت و ضعف پیشبینیها مقوله مهمی میباشد زیرا تصمیم برخی افراد تحت تاثیر پیشبینیها و براوردهای انجامشده توسط پیشبینیکنندگان میباشد. لذا پیشبینی و براوردهای ضعیف منجر به برنامهریزی ضعیف و بنابراین افزایشهزینه در تجارت و یا ضرر در سرمایهگذاریها میگردد.
چگونه ما باید یک پیشبینی از آینده یک متغیر اقتصادی را آماده کنیم؟ این کار مطمئنا کسی را میخواهد که دادههای واقعی متغیراقتصادی را برای دورههای گذشته مورد بازبینی قرار دهد. فرض کنید که پیشبینیکنندهای به دادههای فروش واقعی برای هر فصل در طول دوره 25 سال گذشته که شرکت تجاری ایجادشده دسترسی دارد. با استفاده از این دادههای واقعی، پیشبینی کننده میتواندبه سطح عمومی از قیمتها دست پیدا کند. او همچنین میتواند تعیین کند که آیا یک الگو یا روند خاصی، مانند یک افزایش یا کاهش در حجم فروش در طول این زمان وجود داشته است یا خیر. بازبینیهای بیشتر از دادهها برخی از انواع الگوهای فصلی، مانند اینکه پیک فروش قبل از یک تعطیلی اتفاق میافتد را نمایان میسازد. بنابراین با بازبینی مستمر در دادههای تاریخی، پیشبینیکننده میتواند اغلب یک فهم خوب از الگوهای گذشته فروش را توسعه دهد. درک یک چنین الگوهایی اغلب میتواند منجر به پیشبینی بهتر از فروش آینده محصول شود. بهعلاوه، اگر پیشبینیکننده قادر به تعیین عواملی که فروش را تحت تاثیر قرار میدهد باشد، دادههای تاریخی این عوامل( یا متغیرها) هم میتواند برای تولید پیشبینی برای حجم فروش آینده محصول استفاده گردد.
در گذشته،نظریه پیشبینی اقتصادی بردو فرضیه کلیدی متکی بوده است. (کلین،1971)
1-مدل یک نمایشدهنده خوب از اقتصاد میباشد.
2-ساختار مدلهایاقتصادی نسبتا بدون تغییر باقی میماند.
با داشتن این فرضیات، قضایای مهمی، هرکدام با مفاهیم قابل آزمون بسیاری را میتوان اثبات کرد. کلمنتس و هندری(1998) بر اساس این فرضیات قضایای مهمی را اثبات کردند. ما این جمله را به “نظریه بهینگی” که توسط ماکریداکیس و هیبون(2000) دنبال شده است ارجاع میدهیم.
۱) پیشبینی بر اساس مدلهای اقتصادی، شبیه به امید شرطی گرفتن از دادهها میباشد. بنابراین بهترین مدل، عموما بهترین پیشبینیها را تولید میکند. این مستلزم آن است که یک مدل encompassing متجانس(موافق) بر پیشبینی غالب باشد. علاوه بر این، تنها قضاوتهایی که میبایست پیشبینی را بهبود بخشد آنهایی هستند که بر اساس اخطارهای پیشرفته از رویدادها بوجود میآیند. (همانند اطلاع از تغییرمالیات در آینده یا احتمال حملات نظامی!!!). بهعلاوه، نباید به ائتلاف پیشبینیها با استفاده از چندین مدل توجه نمود،در واقع، ائتلاف encompassing را رد میکند و افزودن پیشبینیهای منحرف یا آنهایی که از برازش یک مدل بد حاصل شدهاند، موجب بدترشدن میانگین مربعات خطای پیشبینی(MSFE)17 میشوند.
۲) دقت پیشبینی میبایست با افزایش افق پیشبینیکاهش یابد زیرا با افزایش افق پیشبینی خطاهای نوآوری بیشتر شده و قابلیت پیشبینی شدن را کاهش میدهد. پیشبینیهای بازهای محاسبهشده از براوردهای درون نمونهای بازتابدهنده این ویژگی هستند.
۳) پیشبینیهای بازهای درون نمونهای18 میبایست یک راهنمای خوب برای تغییرات زیاد در خطاهای پیشبینی باشند. شواهد شبیه سازی مونت کارلو19 از مطالعات، تجسم کننده دو فرضیه تاییدکننده این یافتهها میباشد.(این رفرنس ها ملاحظه گردد.)
متاسفانه، مشاهدات تجربی در پیشبینی اقتصادی بر ضعف این فرضیهها تاکیدکرده است. اما پیشنهاد میشود یک چنین رویدادهایی موجب تعجب نشود چون: همه مدلهای اقتصادسنجی ممکن است که به اشتباه مشخص شدهباشند، و همه اقتصادها هم ممکن است در معرض تغییرات پیشبینینشده قرار گرفته باشند. به عنوان مثال، بارل(2001)، از 6 مثال از تغییرات ساختاری بومی در اقتصاد از سال 1990 صحبت کردهاست. همچنین، کلمنتس و هندری(2001) بدنبال تعیین دلیل رواج تاریخی شکست پیشبینی در پیشبینی اتفاقات در انگلستان بودهاند، و نتیجه گرفتند هیچ ارتباطی بین چنین پیشبینیهای ضعیفی با رویدادهای اقتصادی اصلی وجود ندارد. از آنجا که در اقتصادکشورها، آینده عمدتا شبیه به گذشته بوده است، شکست در پیشبینی برای همه عادی بوده است.
روشهای پیشبینی
همه روشهای پیشبینی به 2 دسته قابل تقسیم میباشند:کیفی و کمی. بسیاری از روشهای پیشبینی از دادههای تاریخی در قالب سریهای زمانی استفاده میکنند. یک سری زمانی بطور ساده یک مجموعه از مشاهدات اندازهگیریشده در نقاط مختلف در طول زمان و یا دورهای از زمان میباشد. پیشبینیها اساسا مقادیر آتی از سریهای زمانی برای یک متغیرخاص مانند حجم فروش، قیمت سهام و … را ایجاد میکند. دستهبندی روشهای پیشبینی به دستههای کمی و کیفی بر اساس در دسترس بودن دادههای تاریخی سریهایزمانی میباشد.
روشهای پیشبینی کیفی
روشهای پیشبینی کیفی عموما قضاوت کارشناسان برای ایجاد پیشبینیها را بکار میبرد. یک مزیتکلیدی این پیشبینیها این است که آنها میتوانند در موقعیتهایی که دادههای تاریخی بسادگی در دسترس نمیباشند، بکار بروند. علاوهبراین، حتی زمانی که دادههای تاریخی موجود باشد، تغییرات معنیدار در شرایط محیطی بر سریهای زمانی مربوط اثرگذار است و ممکن است به استفاده از دادههای گذشته نامربوط و سوالبرانگیز در پیشبینی مقادیر آتی سریهای زمانی منجر شود. به عنوان مثال در نظر بگیرید که دادههای تاریخی فروش گازوئیل در دسترس باشد. اگر دولت اعلام برنامه جیرهبندی گازوئیل را بکندو جایگزین آن فروخته شود، یک نفر میتواند از اعتبارپیشبینی فروش گازوئیل بر دادههای گذشته سوال کند. روشهای پیشبینی کیفی راهی برای تولید پیشبینی در چنین مواردی را ارائه میدهد. سه روشپیشبینی کیفی مهم وجود دارد:روش دلفی20، سناریونویسی21 و رویکرد ذهنی22.
روش دلفی
در روش دلفی، تلاش به بهبود پیشبینی از طریق اتفاقنظر گروهی23 میباشد. معمولا یک هیئت از کارشناسان برای پاسخ به یک مجموعه از سوالات انتخاب میشوند. از کارشناسان، که از هم جدا بوده و همدیگر را هم نمیشناسند، درخواست شده که به یک پرسشنامه اولیه پاسخ دهند. سپس،یک پرسشنامه دومی براساس ترکیب اطلاعات و نظرات کل گروه ساخته خواهد شد. از هر کارشناسی درخواست میشود که پرسشنامه جدید را مجددا بررسی کند و پاسخهای اولیه خود به سوالات را اصلاح کند. این فرایند تا زمانی که کارشناسان به درجهای از اتفاقنظر دست پیدا کنند ادامه خواهد داشت. هدف روش دلفی بدست اوردن یک پاسخ واحد به سوالات در پایان نمیباشد، بلکه تلاش میکند به یک گسترهای از نظرات مرتبط دست پیداکند و از این طریق به رویدادهای محتملتری برای موضوع مورد پیشبینی دست یابد.
سناریو نویسی
در این روش پیشبینیکننده با مجموعه متفاوتی از فرضیات کارخودش را آغاز میکند. برای هر مجموعه از فرضیات، یک سناریو محتمل از رویدادها ساخته شده است. بنابراین، پیشبینیکننده قادرخواهدبود بسیاری از سناریوهای متفاوت آینده را نیز تولیدکند(متناظر با مجموعههای متفاوت از فرضیات). کسانی که میبایست بر اساس این روش تصمیمگیری کنند از سناریوهای مختلف کسب اطلاع کرده و تصمیم میگیرند که رخدادن کدام سناریو محتملتر است و بر اساس آن اقدام میکنند.
رویکرد ذهنی
رویکر ذهنی به افراد اجازه میدهد که در تصمیمگیری برای رسیدن به یک پیشبینی بر اساس احساسات و ایدههایشان شرکت داشته باشند. این رویکرد بر اساس این فرض میباشد که ذهن بشر میتواند در تصمیمگیری در مورد موضوعی که وابسته به عوامل کیفی میباشد(و اغلب کمی کردن آنها مشکل میباشد) داشته باشد. در این رویکرد جلسات طوفانذهنی24 مکررا به عنوان یک راه برای بهبود ایدههای جدید برای حل مشکلات پیچیده برگزار میگردد. در جلسات آزادانه سازمان، در تحت فشارقرار دادن یکدیگر آزاد بوده و ،بسیار مهمتر اینکه، میتوانند دیدگاهها و ایدههایشان را بدون ترس از انتقاد شدن بیان کنند. خیلی از شرکتهای در ایالات متحده شروع به استفاده از روبکرد ذهنی کردهاند.
روشهای پیشبینی کمی

روشهای پیشبینی کمی درزمانی که دادههای تاریخی از متغیرموردعلاقه موجود است بکاربرده میشود. این روشها براساس یک تحلیل از دادههای تاریخی با سریزمانی از یک متغیرخاص موردعلاقه و احتمالا دیگر سریهای زمانی مرتبط است. دو دستهبندی کلی از روشهای پیشبینی کمی وجود دارد. اولین دسته از روندگذشته یک متغیرخاص به عنوان پایه پیشبینی آینده یک متغیر استفاده میکند. بدلیل اینکه این دسته از روشهای سریزمانی بهطورساده از سریهای زمانی دادههای گذشتهمتغیر که پیشبینیشدهاند استفاده میکند، این تکنیکها روشهای سریزمانی نام گرفتند.
دومین دسته از تکنیکهای پیشبینی کمی نیز از دادههای تاریخی استفاده میکند. اما در پیشبینی مقادیر آتی یک متغیر، پیشبینی کننده از روابط علی و معلولی متغیر با دیگر متغیرهای مرتبط مانند سطح اطمینان مشتری25، تغییرات در درآمد قابل تصرف26 مشتریان، نرخ بهره27 و جایگاه اقتصاد با بررسی متغیرهایی مانند نرخ بیکاری28، استفاده کنند. بنابراین، این دسته از روشهای پیشبینی از سریهای زمانی گذشته بسیاری از متغیرهای مرتبط برای تولید پیشبینی متغیرموردعلاقه استفاده میکنند. روشهای پیشبینی که در این دسته قرار میگیرند روشهای علی29 نیز نامیده میشوند، چراکه اساس این چنین پیشبینیهایی روابط علی و معلولی بین متغیرپیشبینی شده و دیگر سریهای زمانی انتخابشده برای کمک در ایجاد پیشبینیها است.
روشهای پیشبینی سریزمانی
قبل از بحثدررابطه با روشهای سریزمانی، فهم رفتار سریهای زمانی مفید خواهد بود. سریهای زمانی شامل 4 مولفه مستقل میباشد: مولفه روند30، مولفه سیکل31، مولفه فصلی32 و مولفه بیقاعده33. این 4 مولفه با ترکیب شدن با هم در ایجاد مقادیر مشخص برای سریهای زمانی مورد توجه قرار گرفتهاند.
در یک سریزمانی، اندازهگیریها در نقاط پیدرپی و یا دورههای پیدرپی انجامشده است. اندازهها ممکن است هرساعت، روز، هفته، ماه، یا سال یا در هر بازه باقاعده(یا بیقاعده) دیگر گرفتهشده باشد. ازآنجا که بیشتردادههای سریزمانی نوسانات تصادفی را نشان میدهند، آنها نشاندهنده انتقال تدریجی مقادیر سریزمانی در طول یک دوره زمانی مورد نظر میباشند. انتقال تدریجی سری زمانی توسط اغلب پیشبینیکنندههای حرفهای با عنوان روند در سریزمانی یاد میشود. یک روند به خاطر یک یا چند عامل بلندمدت ، از قبیل تغییرات در اندازه جمعیت، تغییرات در مشخصههای جمعیت شناختی از جمعیت و تغییرات در سلایق34 و انتظارات35 مشتریان پدید میآید.
اگرچه سریهایزمانی اغلب یک روند را در طول زمان در خود نمایش میدهند، اما سریها توالیهای متناوبی از نقاط، که در بالا و پایین خط روند قرار میگیرند را نیز نمایش میدهند. هر توالی محدود به نقاط در بالا و پایین خط روند، که بیش از یکسال بطول کشیدهاست تا بوجود آمدهاند، برای تشکیل مولفههای دورهای از سریزمانی مورد توجه قرار میگیرند. در واقع این مشاهدات در سریهای زمانی بخاطر نوسانات دورهایشان ما را از روند منحرف میکنند. سریهای زمانی تولید کل در اقتصاد (که تولید ناخالص داخلی واقعی(GDP)36 نامیده شده است) یک مثال خوب از سریهای زمانی که نمایشدهنده رفتار دورهای میباشند ایجاد میکند. درحالیکه خط روند برای شیب رو به بالا دارد، رشد تولید نمایشدهنده یک رفتار دورهای در اطراف خط روند است.
مولفه فصلی شبیه به مولفه دورهای میباشد زیرا هردوی آنها به برخی نوسانات باقاعده در سریزمانی اشاره دارند. اما به هرحال یک تفاوت کلیدی وجود دارد. مولفههای دورهای در یک سریزمانی با تحلیل چندساله در دادههای تاریخی آن شناخته میشوند اما مولفههای فصلی الگوی با قاعدهای از تغییرپذیری در سریزمانی در دورههای یکساله را به خود میگیرند.خیلی از متغیرهای اقتصادی الگوهای فصلی را نمایشمیدهند. به عنوان مثال فروشندههای استخرهای شنا افت فروش در ماههای پاییز و زمستان را تجربه کردهاند، اما آنها شاهد پیک فروش در ماههای بهار و تابستان بودهاند. تولیدکنندگان تجهیزات برفی، از طرف دیگر دقیقا الگوی فروش سالیانه برعکسی را تجربه میکنند.مولفههای سریزمانی که تغییرات در دادهها را بخاطر نوسانات فصلی دریافت میکنند مولفههای فصلی نام میگیرند.
مولفههای بیقاعده سریهایزمانی نمایشدهنده باقیمانده مشاهدات از سریزمانی میباشد که اثرات روند، دوره، و مولفههای فصلی از آن استخراج شده باشد.مولفههای روند،دوره و فصلی برای محاسبه نوسانات سیستماتیک37 در سریهای زمانی مورد توجه قرار میگیرند. بنابراین مولفههای بیقاعده برای تغییرپذیری تصادفی در سریهای زمانی محاسبه میشوند. تغییرات تصادفی در سریهای زمانی ، به نوبه خود، بوسیله عوامل کوتاه مدت، پیشبینی نشده و نامحدود زمانی که بر سریهای زمانی اثر میگذارند بوجود آمدهاند. طبیعتا، مولفههای بیقاعده از سریهای زمانی نمیتوانند از قبل پیشبینی شوند.
پیشبینی سریهای زمانی با استفاده از روشهای مسطحسازی38
روشهای مسطح سازی مناسب سریهایی هستند که نمایشدهنده هیج اثرمعنیداری از مولفههای فصلی، دورهای و یا روند نباشند(این سریهایزمانی اغلب سریهای زمانی ایستا نامیده میشوند). در چنین مواردی، هدف کاهش مولفههای بیقاعده از سریهای زمانی با استفاده از یک فرایند میانگین سازی39 میباشد. زمانی که یک سریزمانی مسطح شده باشد برای تولید پیشبینیها مورد استفاده قرار میگیرد.
روش میانگین متحرک پر استفادهترین روش مسطح سازی است. به منظور مسطح کردن سریهای زمانی، این روش از میانگین یک تعداد از نقاط یا دورههای دادههای مجاور استفاده میکند. این فرایند میانگین گیری از مشاهدات منطبق بر هم40 برای ایجاد میانگینها استفاده میکند. فرض کنید پیشبینی کنندهای میخواهد میانگین متحرکهای 3 دورهای(از 3 دوره قبل خود) را تولید کند. پیشبینیکننده به این صورت عمل میکند که سه مشاهده اول از سریزمانی را گرفته و میانگین آنها را محاسبه کند، سپس اولین مشاهده را حذف و میانگین را بر اساس سه مشاهده بعدی محاسبه میکند.این فرایند ادامه پیدا میکند تا زمانیکه همه میانگینهای 3 دورهای بر اساس دادههای موجود در کل سری زمانی محاسبه شده باشد. واژه متحرک به راهی که میانگینها محاسبهشدهاند اشاره دارد. در مثال 3 دوره، روش میانگینمتحرکها از میانگین سه مشاهدات اخیر از دادهها در سریهای زمانی برای پیشبینی دوربعد استفاده میشود. در محاسبه میانگین متحرکها برای تولید پیشبینی،پیشبینیکننده ممکن است میانگین متحرکهای با طول متفاوت را امتحان نماید. پیشبینیکننده طولی را انتخاب میکند که بالاترین دقت برای پیشبینیها را ایجادکردهباشد.

دسته بندی : پایان نامه

دیدگاهتان را بنویسید