پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

نویسنده

چکیده

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این مدل ها که در حقیقت اقتباس از فرایند یادگیری مغر انسان هستند ، با استفاده از سرعت محاسباتی کامپیوتر ، روابط بین متغیرها را هرچند پیچیده باشد ، یاد گرفته و از آن برای پیش بینی مقادیر آتی استفاده می نمایند. از ویژگی های مهم این مدل ها می توان به آزادی آنها از فروض آماری مربوط به متغیرها ، استفاده از روشهای محاسباتی موازی و غیر خطی بودن آنها اشاره نمود. در این مقاله ، علاوه بر معرفی مدل های شبکه های عصبی و نحوه کاربرد آنها در اقتصاد ، یک مدل شبکه عصبی برای پیش بینی تورم در ایران با استفاده از اطلاعات سالهای (1377- 1338) طراحی و اجرا شده است. نتایج بدست آمده حاکی از آن است که مدل های شبکه های عصبی در غالب موارد عملکرد بهتری در زمینه پیش بینی تورم دوره آتی در ایران نسبت به رقبای خود دارند.

عنوان مقاله [English]

Forecasting Iranian Inflation Rates Using .St ructura l, Time Series, and Artificial Neural Networks Models

چکیده [English]

In this paper, I develop three forecasting models: namely structural,
times series, and artificial neural networks; to forecast Iranian inflation
rates. The structural model uses aggregate demand and aggregate supply
approach, the time series model is based on the standard ARlMA
technique, and the artificial neural network applies multi-layer back propagation modeL The latter, which is rooted in physic, cognitive, and
computer sciences, mimics human brain to learn any complex pattern and
to forecast their future behavior-the results of the forecasting competition
show that the back propagation model is able to generate inflation•
forecasts much better than the traditional competitors