به کار گیری کالمن فیلتر در پیش بینی بازار ارز / گودرزی، امیرحسین
تاریخ درج : ‎1389/1/22 | بازدید : 1556
کلید واژه ها : نوسان نرخ ارز ، پالایه کالمن ، نرخ ارز Exchange rate fluctuation ، Kalman filter ، Exchange rate
مقطع : کارشناسي ارشد
استاد راهنما : حمید ابریشمی
رشته گرایش : علوم اقتصادی
استاد مشاور : اصغر شاهمرادی
دانشگاه : دانشگاه تهران
استاد ناظر :
واحد :
تاريخ دفاع : 1387

چکيده:
چکیده (فارسی): بازار ارز متشکل از اشخاص، بنگاهها و بانکهاست، که در آن خرید و فروش پول خارجی یا ارز صورت می، گیردو تمام این مراکز یک بازار ارز بین، المللی واحد را تشکیل می، دهند.تاریخچه بازار ارز از نظام پایه طلا آغار شده و هم اکنون نظام نرخ ارز شناور کنترل شده در کشورهای مختلف اجرا میشود.عوامل مختلفی در تغییر نرخ برابری ارزهای مختلف مانند میزان واردات و صادرات ، شاخص قیمتها و شاخص بورس اوراق بها دار تاثیرگذار هستند. در پیش بینی این بازار روشهای متفاوتی بکار گرفته میشود که یکی از مهمترین آنها تحلیل سری زمانی است . در تحلیل سری زمانی در بازار ارز از مدلهایی نظیر AR , ARMA ،GARCH که روشهای کلاسیک در اقتصاد سنجی میباشند استفاده شده است. همچنین در این نوع تحلیلها از روشهای غیر کلاسیک مانند شبکه عصبی ، الگوریتم ژنتیک و منطق فازی نیز بهره گرفته شده است . این نوع تحلیل به روند تغییرات نرخ برابری ارز در طول زمان می پردازد و پایه آن بر اساس مشاهدات تغییرات قبلی سری زمانی ویا سریهای زمانی مرتبط میباشد و در پی بررسی علل تغییرات است. همچنین مانند تحلیلهای اقتصادی و مالی در توجیه تغییر قیمتها ، تحلیل سری زمانی نیز با عدم قطعیت در تحلیل و پیش بینی روبرو میباشد.یکی از شیوه ها در بهبود خطای مدلهای بکار گرفته شده در تخمین سریهای زمانی استفاده از فیلتر کالمن میباشد.فیلتر کالمن از مدل سازی سیستمهای پویا در فضای حالت نشات گرفته است و اساس عملکرد آن بر تحلیل بازگشتی سیستم بر طبق مشاهده ورودیها وخروجیهای آن وتخمین آینده است. با توجه به اینکه فیلتر کالمن هم در موقعیتهای مانا و نامانا بکار گرفته شده است . که میتوان از این فیلتر در جهت بهبود خطای مدل در تخمین آینده سری زمانی نرخ ارز در بازه کوتاه مدت استفاده کرد.برای این منظور ابتدا سری زمانی با یکی از مدلهای پیش گفته توصیف شده در ادامه در فضای حالت تبدیل میشود . سپس حالتهای مدل در هر زمان به وسیله فیلتر کالمن بهینه میشوند تا پیش بینی بهتری از این مدل بدست آید. .در مجموع اینگونه میتوان نتیجه گرفت که فیلتر کالمن مجموع خطا را بهبود می بخشد.این بهبود خطا در کوتاه مدت بهتر از بلند مدت است. زیرا مدلهای دیگر در حوالی میانگین سری زمانی را دنبال میکنند و میزان خطای بلند مدت آنها نسبت به کوتاه مدت کم میشود.ولی فیلتر کالمن همواره در پی سری زمانی اصلی است. ب چکیده (انگلیسی): The currency market is composed of individuals, firms and banks, which engage in buying and selling currencies. .Many models are used for forecasting the exchange rate in this market. One of the important models used is analysis of time series data. In time series analysis classic models such as the AR, ARMA and GARCH models are used. In addition, non-classical models such as neural networks, Fuzzy logic and genetic algorithm are also used. However every model has its own shortcomings and errors. In this research we try to improve the results of linear forecasting models with kalman filtering algorithm. Kalman filtering comes from dynamic state-space models for estimating non-observable parameters to improve the modeling of a system with recursive algorithm. It observes input and output values of the function and then estimates the non-observable parameters of it. Our assumption is that using kalman filtering in stationary and non-stationary situations can improve the results of foreign exchange time series models. We first run the time series model using one of the mentioned classic models then convert the model to state-space model and estimate the non observable parameters of the model by kalman filter and compare the results with those of the original method. The results demonstrate that modification of econometric models by kalman filter produce better results than econometric model alone in every foreign exchange rate time series for short term changes(hourly and daily charts), but have greater error when projecting longer term changes. The original methods couldn’t track short term time series data properly, but adding kalman filter to the method reduces the errors of the model.