چکیده:
در پژوهش حاضر به مقایسه عملکرد روش حافظه بلند کوتاه مدت LSTM و مدلهای خانواده واریانس ناهمسان شرطی GARCH در پیش بینی نوسانات نرخ ارز پرداخته شده است. برای این منظور دادههای نرخ ارز (دلار آمریکا) در بازار آزاد طی دوره 10/07/1398 تا 10/07/1400 با تواتر روزانه جمع اوری شده و مورد تجزیه و تحلیل قرار گرفتهاند. روش پژوهش از نوع توصیفی-همبستگی بوده و روش گردآوری اطلاعات در بخش ادبیات نظری مبتنی بر مطالعات کتابخانهای و در بخش آزمون فرضیههای پژوهش مبتنی بر اسنادکاوی است. به منظور پیش بینی نوسانات نرخ ارز، از مدلهای GARCH، GJR-GARCH، IGARCH و SGARCH بهره گرفته شد و تعیین تعداد پارامترهای هر مدل بر پایه معیار حنان کویین (HQ) انجام پذیرفت. نتایج حاصل از پیش بینی نوسانات نرخ ارز توسط هریک از این روشها و مقایسه دقت پیش بینی آنها نشان داد که الگوریتم یادگیری عمیق LSTM نسبت به تمامی روشهای مبتنی بر گارچ عملکرد بهتری در پیش بینی نوسانات نرخ ارز داشته است. همچنین مقایسه دقت پیش بینی مدلهای گارچ نیز نشان داد که بین روش gjrGARCH و iGARCH اختلاف معناداری وجود داشته و روش gjrGARCH دقت بیشتری در پیش بینی نوسانات نرخ ارز داشته، اما بین سایر روشهای مبتنی بر گارچ، اختلاف معناداری در دقت پیش بینی وجود نداشت.
خلاصه ماشینی:
1 Bank for International Settlements (BIS) 2 Huang 3 Vasilellis and Meade 4 Knopf 5 Brownlees and Gallo پيش از اين ، پيش بيني و مدل سازي نوسانات مورد توجه بسياري از مطالعات تجربي و تحقيقات نظري در محافل علمي قرار گرفته است .
1 autoregressive conditional heteroscedasticity (ARCH) 2 Vee 3 Pradeepkumar and Ravi 4 Liu 5 Ramos-Perez 6 Artificial Neural Network (ANN) 7 Random Forest 8 Breiman 9 Support Vector Machine 10 Cortes and Vapnik 11 Long Short Term Memory 12 Hochreiter and Schmidhuber 13 Bucci عملاً بازار ارز از سه جزء مرتبط تشکيل شده است : معاملات لحظه اي ، معاملات پيش رو و قراردادهاي مشتقه (بافور١ و همکاران ، ٢٠١٩).
به طور مشابه ، هنريک ٦ و همکاران (٢٠١٨) از روش رگرسيون بردار پشتيبان ٧ (SVR) و روش گام تصادفي ١ (RW) براي پيش 1 Vilasuso 2 Rapach and Strauss 3 Keith and Langeland 4 You and Liu 5 Trafalis and Ince 6 Henrique 7 Support Vector Regression (SVR) 204 بيني قيمت روزانه سهام در سه بازار مختلف (برزيل ، آمريکا و چين ) استفاده کردند.
از اين رو در اين تحقيق به مقايسه روش LSTM به عنوان نماينده اي از روش هاي شبکه عصبي مصنوعي و يادگيري عميق ، با مدل هاي خانواده گارچ در پيش بيني نوسانات نرخ ارز پرداخته شده و عملکرد اين دو روش مورد مقايسه قرار گرفته است .
از اين رو فرضيه هاي پژوهش به شکل زير تدوين شده اند: فرضيه ١: روش يادگيري عميق LSTM در مقايسه با مدل گارچ پيش بيني دقيق تري از نوسانات نرخ ارز ارائه مي دهد.