پايان نامه ارشد رشته اقتصاد : ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی

 پایان نامه سایت ارشدها - رشته جغرافی-جغرافیا

عنوان کامل پایان نامه :

 ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی

قسمتی از متن پایان نامه :

2 4 3  آزمون براک ( پسامند براک )[1]

براک در سال 1986  نشان داد اگر سیستم آشوبی باشد اعمال یک تبدیل خطی یا یک تبدیل غیر خطی هموار بر مشاهدات ، بعد همبستگی بدست آمده را تحت تاثیر قرار نمی دهد . اما اگر سیستم غیر آشوبی باشد ، این تغییرات نیز بر سیستم موثر خواهند بود . بنابراین ، محاسبه بعد همبستگی یک بار از روی داده های اصلی و یک بار دیگر از روی پسماندهای بر جای مانده از یک برازش خطی (نظیر AR) و مقایسه این دو عدد با یکدیگر ، می تواند خود به عنوان یک آزمون مطرح شود . اگر این دو عدد مشابه بودند یعنی سیستم آشوبی است و اگر این دو عدد متفاوت بودند یعنی سیستم غیر آشوبی است .

2 4 4 آزمون توان لیاپونوف[2]

آزمون توان لیاپونوف بر اساس این ویژگی است مدل های آشوبی است که نقاط مجاور در این سری ها به مرور از هم جدا شده و نسبت به هم واگرا می شوند . توان لیاپونوف این واگرایی را به وسیله یک تابع نمایی اندازه گیری می کند . محاسبه توان لیاپانوف از طریق اندازه گیری مقدار کشیدگی یا خمیدگی که در حرکت سیستم رخ می دهد ، انجام می شود . در واقع ، در این روش ، سرعت متوسطی که مسیرهای انتقالی دو نقطه ای که در ابتدا به هم نزدیک بوده اند به وبطور نمایی از یکدیگر منحرف می شوند ، محاسبه می شود . اگر ، بزرگترین توان محاسبه شده لیاپانوف مقدار مثبتی باشد ، سیستم دارای رفتاری آشوبی است و بالعکس . روش محاسبه به صورت زیر است :

اگر بین  رابطه تبعی زیر وجود داشته باشد :

(2-10)

می توان فاصله بین  را با  و فاصله بین و را با تابع نمایی  نشان داده به عبارت دیگر :

(2-11)

که در آن   در واقع ، میانگین اختلاف بین نقاط مجاور در هر تکرار را نشان می دهد .  به نمای لیاپانوف معروف است . حد رابطه فوق به صورت زیر است :

(2-12)

و یا

(2-13)

برای سری های آشوبناک مقدار توان لیاپانوف مثبت و در غیر این صورت منفی است .

برای برآورد توان لیاپانوف می توان از روش ماتریس ژاکوبین که از سوی نیچکا و دیگران  که به شرح زیر پیشنهاد شده است ، استفاده کرد .

فرض کنید داده های  که به وسیله یک مدل خود رگرسیون غیر خطی از نوع زیر ایجاد شده اند .

                (2-14)

که در آن l معرف تاثیر زمانی و m طول خود رگرسیون است .  نیز دنباله ای از متغیرهای تصادفی مستقل با میانگین صفر و واریانس ثابت است . رابطه بالا را می توان در قالب فضا – حالت به صورت زیر نمایش داد .

 

(2-15)

یا به طور خلاصه تر :

(2-16)

حال ، توان لیاپانوف را می توان به این صورت تعریف کرد . اگر ،  معرف دو بردار اولیه نزدیک به هم باشند ، بعد از تکرار معادله یاد شده به تعداد m بار با اعداد تصادفی یکسان و استفاده از بسط تیلور ، می توان نوشت :

(2-17)

که در آن  بیانگر M امین تکرار F و  نیز ماتریس ژاکوبین F بوده که در  ارزیابی شده است . با استفاده از قانون مشتق زنجیره ای می توان رابطه زیر را بدست آورد :

(2-18)

که در آن  و  است . اگر  بزرگترین مقدار مشخصه[3] ماتریس  باشد ، توان لیاپانوف مسلط را می توان به صورت زیر تعریف کرد .

(2-19)

در این حالت ،  نرخ بلند مدت واگرایی با همگرایی بین مسیرهای زمانی را نشان می دهد . چنانچه  مثبت باشد ، دلالت به این دارد که دو نقطه مجاور به صورت نمایی از هم دور می شوند و مثبت بودن  به معنی همگرایی نمایی مسیرهای زمانی آن دو نقطه است . در حالت اول مثبت بودن توان لیاپانوف (  ) حاکی از وجود یک فرآیند آشوبی است .

1-Brock

متن کامل در سایت امید فایل 

2-Lyapunov Exponent

1-Eigenvalue

سوالات یا اهداف این پایان نامه :

هدف از تحقیق

    هدف از انجام این تحقیق ، ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز  و مقایسه نتایج حاصل از این پیش بینی با تحلیل های سری زمانی و مدل ARIMA و همچنین تلفیق جواب های حاصل از دو مدل و ارائه نتیجه بهتر نسبت به هر دو مدل است

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود متن کامل پایان نامه جغرافیا در لینک زیر

لینک متن کامل پایان نامه رشته جغرافیا با عنوان :  ارائه یک مدل شبکه عصبی مصنوعی جهت پیش بینی روزانه نرخ جفت ارز دلار پوند و مقایسه نتایج حاصل از این پیش بینی با فرمت ورد