مقاله: پژوهشی
صفحه: 199- 221
نویسندگان:
[1] استادیار، گروه حسابداری، دانشگاه آزاد اسلامی، چالوس، ایران
[2] کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی، چالوس، ایران
در پژوهش حاضر به مقایسه عملکرد روش حافظه بلند کوتاه مدت LSTM و مدل های خانواده واریانس ناهمسان شرطی GARCH در پیش بینی نوسانات نرخ ارز پرداخته شده است. برای این منظور داده های 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 گرفته اند. 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 مدل های GARCH، GJR-GARCH، IGARCH و SGARCH بهره گرفته شد و تعیین تعداد پارامترهای هر مدل بر پایه معیار حنان کوئین (HQ) انجام پذیرفت. نتایج حاصل از پیش بینی نوسانات نرخ ارز توسط هریک از این روش ها و مقایسه دقت پیش بینی آنها نشان داد که الگوریتم یادگیری عمیق LSTM نسبت به تمامی روش های مبتنی بر گارچ عملکرد بهتری در پیش بینی نوسانات نرخ ارز داشته است. همچنین مقایسه دقت پیش بینی مدل های 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 روش های مبتنی بر گارچ، اختلاف معناداری در دقت پیش بینی وجود نداشت.
کلمات کلیدی: نوسانات نرخ ارز، شبکه عصبی مصنوعی، مدل گارچ، حافظه بلند کوتاه مدت.
Forecasting exchange rate fluctuations: comparison of LSTM long-short-term memory method and GARCH conditional heterogeneous variance family models
Reza Fallah[1], Zahra Shirkund[2]
[1] Assistant Professor, Department of Accounting, Islamic Azad University, Chalus, Iran
[2] Master of Accounting, Islamic Azad University, Chalus, Iran
abstract
In the current research, the performance of LSTM long-short-term memory method and GARCH conditional heterogeneous variance family models have been compared in predicting exchange rate fluctuations. For this purpose, exchange rate data (US dollar) in the open market during the period of 10/07/1398 to 10/07/1400 has been collected and analyzed with daily frequency. The research method is descriptive-correlation type and the method of gathering information in the theoretical literature section is based on library studies and in the research hypothesis testing section is based on document analysis. In order to predict exchange rate fluctuations, GARCH, GJR-GARCH, IGARCH and SGARCH models were used, and the number of parameters of each model was determined based on Hanan-Queen (HQ) criteria. The results of the prediction of exchange rate fluctuations by each of these methods and the comparison of their prediction accuracy showed that LSTM deep learning algorithm performed better than all GARCH-based methods in predicting exchange rate fluctuations. Also, the comparison of forecasting accuracy of GARCH models also showed that there is a significant difference between gjrGARCH and iGARCH methods, and gjrGARCH method is more accurate in predicting exchange rate fluctuations, but there is a significant difference in forecasting accuracy among other GARCH based methods. did not have.
Keywords: exchange rate fluctuations, artificial neural network, GARCH model, short-term long memory.
