100000 تومان
افزودن به سبد خرید
0 فروش 589 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: دارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: فایل مقاله گزارش ورد (57 صفحه ) کد متلب (ام فایل) و دیتابیس (اکسل)
تاریخ انتشار: 22 ژانویه 2019
دسته بندی: ,,,

تبلیغات

پیشبینی قیمت ارز با عصبی از نوع شبکه نارکس

پروژه پیش بینی قیمت ارز با متلب | MATLAB

مهمترین هدف تجارت کسب سود می باشد و استفاده از پول و متناظر آن ارز بین المللی ابزار انجام تجارت است. بدین منظور کلیه سرمایه گذاران نیازمند پیش بینی قیمت ابزار مورد استفاده هستند از این رو پیش بینی قیمت ارز  را می‌توان مهمترین مسئله ای دانست که سرمایه گذاران و فعالان اقتصادی با آن مواجه هستند. به عقیده بسیاری از اقتصاددانان متغیر نرخ ارز به واسطه واکنش هایی که در داخل و خارج از مرزهای اقتصادی یک کشور بر می انگیزد، مهمترین متغیر قیمتی در اقتصاد است و تنظیم صحیح آن در قالب یک نظام ارزی صحیح و منطقی می تواند بسیار راهگشا و اثرگذار باشد.  پیش بینی روند آتی قیمت ها به منظور تعیین زمان مناسب جهت استمرار بهینه تجارت را می توان هدف اصلی پروژه جاری دانست. به طور کلی یک سرمایه گذار باید با پیش بینی وضعیت آینده،زمان،محل و حجم سرمایه گذاری های خود را به گونه ای تعیین نماید که بازده حاصل از سبد دارایی او حداکثر شود. در نتیجه در این تحقیق سعی شده تا با پیش بینی مناسب قیمت ارز در ایران، عدم اطمینان در تصمیم گیریهای اقتصادی را کاهش دهد و به نحو موثری مورد بررسی و تجزیه تحلیل قرار گیرد. امروزه روش­های هوشمند و الهام گرفته از طبعیت در حل مسائل پیچیده طرفداران زیادی دارد یکی از پرطرفدارترین و کاراترین این ساختارها، شبکه­های عصبی مصنوعی هستند که قادرند یک رابطه کلی بین اطلاعات حجیم و پیچیده ناشی از آزمایش­ها و مثال­های تجربی و داده های آماری و اقتصادی به دست آورند.

پيش بيني قیمت ارز در مديريت اقتصاد و بحران های مالی نقش مهمي بر عهده دارد. امروزه شبکه هاي عصبي مصنوعي از جمله روش هاي نوين مي باشد که براي تخمين و پيش بيني پارامترها با استفاده از ارتباط ذاتي بين داده ها توسعه يافته است. هدف اين پژوهش، ارزيابي دقت شبکه عصبي بازگشتي نارکس در پيش بيني قیمت ارز مي باشد که با استفاده از آمار موجود،توسعه داده شده است. برای آزمودن و آموزش شبکۀ طراحی شده، داده‌های ۵ ماهه نخست سال ۲۰۱۸جمع آوری شده است که و بخشی از آن جهت آزمودن شبکه مورد استفاده قرار گرفته است.

ابزارهای یادگیری ماشین با پاسخ ضربه محدود برای یادگیری وابستگیهای درازمدت در سریهای زمانی مناسب نیستند. نشان داده شده است که در این مورد، حتی آموزش برخی سامانه های پویا مانند شبکه عصبی بازگشتی با استفاده از الگوریتم یادگیری نزول گرادیانی، به علت میرا شدن پیش از موعد گرادیان خطا بسیار دشوار است. دستهای از شبکه های عصبی بازگشتی به نام مدلهای خودبرگشتی غیرخطی با ورودیهای برونزاد (نارکس) حساسیت کمتری به وابستگیهای درازمدت دارند و میتوان میرا شدن گرادیان خطا را در آنها به تاخیر انداخت. در این مقاله از شبکه نارکس برای پیشبینی سریهای زمانی با وابستگیهای درازمدت استفاده شده است.

شبکه نارکس یک معماری عصبی پس خوراند است که معمولا برای قالب سازی ورودی – خروجی سیستم های غیر خطی استفاده می شود. ورودی شبکه نارکس توسط دو خط تاخیری آهسته تشکیل شده است که یکی مختصرا سیگنال ورودی است و دیگری سیگنال خروجی است. در حال حاضر وقتی که پیشگویی سری های زمانی آشفته عملی می شود معماری نارکس به شکل یک شبکه عصبی تاخیر زمانی تنظیمی ساده اف تی دی ان ان می باشد. بنابراین با این کار توانایی های پیشگویی را محدود می کنیم. در این پایان نامه راهبردی را معرفی می کنیم که اجازه می دهد معماری اصلی شبکه نارکس به طور کامل توان محاسباتیش را برای بهتر کردن عمل پیشگویی جستجو کند. از سری های زمانی لیزری آشفته برای ارزیابی راههای پیشنهادی در کارهای پیشگویی استفاده می کنیم. در پروزه حاضر همچنین معماری شبکه عصبی نارکس را با استفاده از ورودی های موجود شکل داده شده است تا با استفاده از آن سری های زمانی آینده را پیش بینی کند.

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب