کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا در بورس کالای ایران

اقتصاد مالی

مقاله 1، دوره 9، شماره 33، اسفند 1394، صفحه 1-14   

نوع مقاله: علمی پژوهشی

نویسندگان

علی اکبر باغستانی^{* 1}؛ سعید یزدانی²؛ مجید احمدیان²

¹استادیار دانشگاه آزاد واحد علوم تحقیقات

²استاد اقتصاد دانشگاه تهران

چکیده

چکیده
وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه‌ها و نگرانی‌های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده است.به منظور دست‌یابی به پیش‌بینی‌های بهتر در بازار بورس کنجاله سویا، قواعد موجود در آن شناسایی شود. در این مطالعه با استفاده از داده‌های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، ضمن بررسی جایگاه کنجاله سویا در معاملات بورس کالا، قیمت کنجاله سویا با رهیافت شبکه عصبی مبتنی بر الگوریتم GMDH[i]  پیش‌بینی و نتایج با پیش‌بینی‌های مدل خودرگرسیو میانگین متحرک مقایسه می­گردد. نتایج نشان می‌دهد الگوریتم شبکه عصبیGMDH، توانایی و دقت بالاتری در پیش‌بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است.
 



[i].Group Method of Data Handling(GMDH)

کلیدواژه‌ها

واژگان کلیدی: کنجاله سویا، روش GMDH، مدل خودرگرسیو میانگین متحرک، پیش‌بینی قیمت،بورس کالا؛ طبقه‌بندی JEL:C1,C12,D43,D53,Q13

اصل مقاله

 

کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا

در بورس کالای ایران

 

 

علی‌اکبر باغستانی

تاریخ دریافت: 4/7/1394                                تاریخ پذیرش: 4/9/1394

[1]

سعید یزدانی[2]

مجید احمدیان[3]

 

چکیده

وابستگی روزافزون صنعت دام و طیور کشور به کنجاله سویا، موجب شده است تا هرگونه نوسان قیمت این محصول از نگاه فعالان بازار آن به دقت و حساسیت پی گیری شود. این نوسان ها در برخی مقاطع، دغدغه‌ها و نگرانی‌های جدی در خصوص وضعیت تأمین کنجاله سویا و قیمت آن به وجود آورده است.به منظور دست‌یابی به پیش‌بینی‌های بهتر در بازار بورس کنجاله سویا، قواعد موجود در آن شناسایی شود. در این مطالعه با استفاده از داده‌های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، ضمن بررسی جایگاه کنجاله سویا در معاملات بورس کالا، قیمت کنجاله سویا با رهیافت شبکه عصبی مبتنی بر الگوریتم GMDH[i]  پیش‌بینی و نتایج با پیش‌بینی‌های مدل خودرگرسیو میانگین متحرک مقایسه می­گردد. نتایج نشان می‌دهد الگوریتم شبکه عصبیGMDH، توانایی و دقت بالاتری در پیش‌بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است.

 

واژگان کلیدی: کنجاله سویا، روش GMDH، مدل خودرگرسیو میانگین متحرک، پیش‌بینی قیمت،بورس کالا.

طبقه‌بندی JEL:C1,C12,D43,D53,Q13

 

1- مقدمه

محصولات گروه کنجاله‌ها به ویژه کنجاله سویا، یکی از پرمصرف‌ترین نهاده‌های دامی در کشور است که برای تهیه کنستانتره ها و غذای طیور استفاده می‌شود. نزدیک به ۹۰ درصد دانه‌ روغنی استفاده‌شده در کارخانه‌هایروغن‌کشی را دانه روغنی سویا به خود اختصاص داده و در این میان بیش از ۸۰ درصد سویای مورد استفاده در این کارخانه‌های از بازارهای بین‌المللی تهیه می‌شود (پندار و همکاران، ۱۳۹۰). نوسان های قیمتی این محصول سبب ایجاد نا اطمینانی تولیدکنندگان در خرید این نهاده می‌گردد. بررسی‌ها نشان می‌دهد که گروه کنجاله‌ها، پررونق‌ترین کالاهای مورد معامله در تالار معامله های کشاورزی بورس کالا بوده و سایر کالاهای کشاورزی نقد شوندگی کمتری دارند.

یکیازمهم‌ترینکاربردهاینمونه‌هایاقتصادی،پیش‌بینیمقادیرآینده­یمتغیرهایاقتصادیاست.درحقیقت،نمونه‌هایاقتصادیرامی‌توانبامیزانصحتپیش‌بینی‌شانموردآزمونقرارداد. بدینترتیبکهاگریکنمونهاقتصادیدرتبیینروابطموجودمیانمتغیرهاموفقباشد،بایدقادربهپیش‌بینیصحیحیازآینده­یمتغیرهانیزباشد.(مشیری،۱۳۸۰). مشیریوفروتن (۱۳۸۵)،قیمت‌هایروزانه‌یپیش‌خریدوپیش‌فروشنفتخامرااز۱۹۸۳تا۲۰۰۳،بااستفادهازروش‌های خودرگرسیو میانگین متحرک و گارچ پیش‌بینیکردندودرنهایتازنمونهمنعطفوغیرخطیشبکه عصبیبرایپیش‌بینیاستفادهکردندونشاندادند کهاستفادهازشبکه عصبینتایجپیش‌بینیرابهبوددادهاست.فهیمیفرد (۱۳۸۷)،بهمقایسهکاراییمدل‌هایعصبی- مصنوعی ANFIS وخودرگرسیونیدرپیش‌بینیقیمتخرده‌فروشیمحصولاتکشاورزی وایرانپرداخت . نتایجمطالعهوینشاندادکهنمونه‌های شبکه عصبی درتمامیافق‌هایزمانیموردبررسیازکاراییبیشتریدرمقایسهبامدل‌های گارچ و خودرگرسیو میانگین متحرک برخوردارمی‌باشند.Moshiri and Camerron (2000)، عملکرد شبکه‌های عصبی مصنوعی را با سایر روش‌های اقتصادسنجی سنتی و سری زمانی برای پیش‌بینی نرخ تورم کانادا مقایسه کردند. نتایج نشان داد که شبکه‌های عصبی قادرند به خوبی تمام روش‌های اقتصادسنجی سنتی و سری زمانی و در بعضی موارد بهتر از آن‌ها نرخ تورم کانادا را پیش‌بینی کنند.Rech (2002)، نشان داد که شبکه‌های عصبی مصنوعی در پیش‌بینی در یک دوره بعد بهترین عملکرد را دارند. Olson and Mossan (2003)، شبکه عصبی مصنوعی پس از انتشار خطا با مدل لوجیت^[ii]و روشحداقل مربعات معمولی را مقایسه کردند. نتایج برتری روش شبکه عصبی را آشکار کرد.Harvi et al., (2004)،بر این باورند که شبکه‌های عصبی بهتر از سایر روش‌ها مسیر متغیرها را پیش‌بینی می‌نمایند. Henry and Boosarawongse (2007)،  به این نتیجه دست یافتند که مدل شبکه عصبی  نسبت به مدل میانگین متحرک خود رگرسیون تجمعی به خوبی، داده‌های برنج صادراتی  را برازش و پیش‌بینی می‌کند. FahimiFard et al., (2009) ، درمطالعه‌ایبهبررسیکاربردمدلفازی - عصبیِ درپیش‌بینیقیمتخرده‌فروشیگوشتمرغایرانپرداختهونتایجحاصلازآنرابانمونه خودرگرسیو میانگین متحرکبه عنوان رایج‌ترینروشپیش‌بینیاقتصادسنجیمقایسهکردند. مطالعهآنان درتمامیافق‌هایزمانینشاندادکهمدلغیرخطیفازی-عصبی ازکاراییبیشتریدرمقایسهبامدلخطی خودرگرسیو میانگین متحرک برخوردارمی‌باشد.

در این مطالعه به منظور پیش‌بینی قیمت کنجاله سویا از روش شبکه عصبی مبتنی بر الگوریتم GMDH و روش خودرگرسیو میانگین متحرک استفاده می‌شود و در نهایت دو روش با یکدیگر مقایسه می‌شوند. لذا فرضیه‌های مورد آزمون در این تحقیق به قرار زیر می‌باشند:

1)    الگوریتم شبکه عصبی GMDH در مقایسه با الگوی آریما توانایی بیشتری در پیش‌بینی قیمت دارد.

2)    قیمت کنجاله‌ی سویای معامله‌شده در بازار بورس کالا نوسانی است.

 

۱-۱-بررسی وضعیت قیمت ماهانه کنجاله سویا در بازار بورس کالا

کنجاله سویا یکی از محصول های  اساسی و عمده بورس کالا بوده است. این محصول به صورت عمده در این بازار عرضه و دادوستد می‌شود. با توجه به این که بورس کالای کشاورزی در مهرماه سال ۱۳۸۳ شروع به فعالیت کرد و شهریورماه  سال ۱۳۸۶ در بورس کالا ادغام شده است، اطلاعات مربوط به قیمت ماهانه کنجاله سویای معاملاتی در بورس در دوره مهرماه ۱۳۸۳ تا اسفندماه ۱۳۹۱ در نظر گرفته شده است.

هر کیلوگرم کنجاله سویای معاملاتی در بورس از ۲۲۷۶ ریال در مهرماه ۱۳۸۳ به ۴۶۷۷ ریال به ازای هر کیلوگرم در اسفندماه ۱۳۹۱ رسیده است. متوسط نرخ رشد قیمت ماهانه کنجاله سویای معاملاتی در بورس، ۳/۳درصد بوده است. متوسط قیمت ماهانه کنجاله سویای معاملاتی در بورس در دوره مورد بررسی، ۳۸۸۵ ریال به ازای هر کیلوگرم بوده است.

به منظور حذف اثر تورم از قیمت ماهانه کنجاله سویای معاملاتی در بورس، از شاخص ماهانه بهای کالاها و خدمات مصرفی (CPI) به قیمت ثابت سال ۱۳۸۳ استفاده شده است. بر پایه قیمت‌های ثابت سال ۱۳۸۳، هر کیلوگرم کنجاله سویای معاملاتی در بورس در مهرماه سال ۱۳۸۳، ۲۲۷۴ ریال به ازای هر کیلوگرم بوده و علیرغم رشد قیمت جاری آن، به ۱۱۱۰ ریال به ازای هر کیلوگرم در اسفندماه ۱۳۹۱ رسیده است. البته روند قیمت‌های ثابت کنجاله سویای معاملاتی تا خردادماه سال ۱۳۹۱ صعودی بوده و ۲۰۷۰ ریال به ازای هر کیلوگرم بوده است. رشد شدید تورم در بازه تیرماه تا پایان سال ۱۳۹۱ سبب شده است تا قیمت‌های ثابت کنجاله سویا، افت را تجربه کند. متوسط قیمت کنجاله سویای معاملاتی در بورس به قیمت‌های ثابت سال ۱۳۸۳، در دوره مهرماه ۱۳۸۳ تا اسفندماه ۱۳۹۱، برابر ۲۱۱۳ ریال به ازای هر کیلوگرم بوده است. متوسط نرخ رشد ماهانه قیمت کنجاله سویای معاملاتی در بورس به قیمت‌های ثابت سال ۱۳۸۳، ۸/۱درصد بوده است.

 

 

نمودار ۱- روند  قیمت ماهانه کنجاله سویا در بورس کالای ایران به قیمت‌های جاری و ثابت سال

۱۳۸۳ در دوره  مهرماه ۱۳۸۳ تا اسفندماه ۱۳۹۱

 

 

۱-۲-بررسی وضعیت قیمت هفتگی کنجاله سویا در بازار بورس کالا

هر کیلوگرم کنجاله سویای معاملاتی در بورس از ۳۸۸۸ ریال در هفته اول مهرماه ۱۳۸۶ به ۴۵۰۶ ریال به ازای هر کیلوگرم در هفته چهارم اسفندماه ۱۳۹۱ رسیده است. متوسط نرخ رشد قیمت هفتگی کنجاله سویای معاملاتی در بورس، ۶/۰درصد بوده است. متوسط قیمت هفتگی کنجاله سویای معاملاتی در بورس در دوره مورد بررسی، ۴۵۲۰ ریال به ازای هر کیلوگرم بوده است. همان طور که در نمودار زیر آمده است، قیمت کنجاله معاملاتی در بورس کالا به قیمت جاری و ثابت نوسانات زیادی  داشته است. اگرچه روند کلی قیمت هفتگی کنجاله به ارقام جاری تقریباً ثابت بوده است، اما روند قیمت هفتگی کنجاله سویا به قیمت‌های ثابت سال ۱۳۸۳، نزولی بوده است.

 

نمودار ۲- روند  قیمت هفتگی کنجاله سویا در بورس کالای ایران به قیمت‌های جاری و ثابت سال ۱۳۸۳

از هفته اول مهرماه ۱۳۸۶ تا هفته چهارم اسفندماه ۱۳۹۱

 

2- مواد و روش‌ها

مدل‌سازی و پیش‌بینی با استفاده از روش خودرگرسیو میانگین متحرک (ARIMA)^[iii]

برای پیش‌بینی مقادیر قیمت کنجاله سویا با استفاده از روش باکس جنکینز باید مدل ویژه‌ای را از میان مدل‌های اتورگرسیو، مدل‌های میانگین متحرک و در نهایت مدل‌های تلفیق‌شده اتورگرسیو-میانگین متحرک (آریما) را انتخاب کرد.

این روش مشتمل بر یک روش تکرار چهار مرحله‌ای می‌باشد:

1)    شناسایی آزمایشی^[iv]یا تشخیص: در این مرحله به دنبال تعیین مقادیر واقعی وقفه‌ها بوده و برای این کار نمودار همبستگی و همبستگی جزئی استفاده می‌شود.

2)    تخمین: داده‌های مربوط به گذشته جهت تخمین پارامترهای نمونه‌ای که در مرحله اول به طور آزمایشی تعیین شده است، به کار می‌رود.

3)    تشخیص دقت برازش (کنترل تشخیصی^[v]): در این مرحله کفایت نمونهشناسایی‌شده کنترل می‌شود و در صورت نیاز مدل بهتری پیشنهاد می‌گردد.

4)    پیش‌بینی: به محض این که مدل نهایی به دست آمد جهت پیش‌بینی مقادیر آینده سری زمانی به کار خواهد رفت (شیوا، ۱۳۷۵).

۲-۱-الگوی ریاضی شبکه عصبی GMDH

شبکه عصبی GMDH در برگیرنده مجموعه­ای از نرون­ها بوده که از پیوند جفت­های مختلف از طریق یک چندجمله­ای درجه دوم به وجود  می­آید. فرض کنید مجموعه‌ای از m متغیر شامل x₁, x₂ , … x_mو یک متغیر y وجود دارد داده‌های مربوط به هر کدام از x_i ها و متغیر هدف y متغیر خروجی نیز برای یک دوره زمانی وجود دارد به عبارتی هر یک از متغیرها به صورت یک بردار که شامل اعداد سری زمانی مربوط به آن متغیر است، می­باشد. (زمانی، ۱۳۸۸). اطلاعات اولیه­ای که جهت ساخت الگوریتم GMDH باید جمع‌آوری گردد. مجموعه­ای از n مشاهده است که در ماتریس زیر نشان داده شده است:

 

مجموعه آموزش

مجموعه آزمون

 

شکل۱- متغیرهای ورودی به الگوریتم GMDH

منبع: زمانی (۱۳۸۸)

 

برای شروع به کار الگوریتم با دو مساله مواجه هستیم تشخیص رابطه‌ای که متغیر خروجی را بر اساس متغیرهای ورودی x_i ها تولید می‌کند. پیش‌بینی y به ازای مقادیر معلوم x_i ها به عبارتی نیاز به تشخیص مدل و رابطه بین متغیرها می‌باشد (نمونه‌سازی) که سپس بتوان از روی آن مدل مقادیر آتی متغیر هدف پیش‌بینی کرد (Ivaknenko 1995).

مبنای الگوریتم GMDH عبارت از فرآیندی جهت ساخت یک چندجمله‌ای با مراتب بالا است که به سری تابع ولترا^[vi]معروف است و به شکل زیر ارائه می­گردد: (این چندجمله‌ای را ایواخننکو نیز می­نامند.)

 

(1)       

برای این منظور در الگوریتم GMDH ابتدا به تجزیه سری توابع ولترا به چندجمله‌ای های دو متغیره درجه دوم می‌پردازیم.

(2)       

 

در این تجزیه سری ولترا به مجموعه­ای از معادل های بازگشتی زنجیره­ای تبدیل می‌گردد به گونه­ای که مجدداً با جایگذاری جبری هر یک از روابط بازگشتی در این رابطه سری ولترا برقرار می­گردد.

رابطه­ی زیر

(3)                   

 

توسط تابع f تقریب زده می­شود:

(4)                   

 

و در صورتی که تابع f به صورت زیر بیان شود:

(5)                   

 

در واقع هدف این الگوریتم یافتن ضرایب مجهول  در سری توابع ولترا می‌باشد. لازم به ذکر است که تمامی نمونه‌های جزیی به وجود آمده از یک ساختار متشابه همانند رابطه زیر برخوردار هستند:

 

(6)

 

با توجه به اینکه هدفی را که ما در این الگوریتم دنبال می‌کنیم چیزی جز نمونه‌سازی سیستم اولیه نیست لذا با ترکیب مدل سیستم های جزیی و تکرار این عمل می‌توان به نمونه اصلی سیستم که به فرم رابطه (۷) می‌باشد دست یافت.

(7)

 

بعد از تجزیه سیستم اصلی به تعداد سیستم جزیی نمونه‌ای با دو متغیر ورودی برای هر یک از آن‌ها محاسبه می‌شود سپس نمونه‌های جزیی ایجادشده را دو به دو باهم ترکیب کرده که حاصل این ترکیب، تعداد سیستم و یا نمونه جزیی جدید با حداقل سه و چهار متغیر ورودی می‌باشد البته تعداد متغیرهای وابسته به مدل و یا به عبارتی تعدادی ورودی‌های سیستم مهم نبوده و تنها دقت تخمین واقعی سیستم اصلی توسط مدل‌های ایجادشده اهمیت دارد لذا با در نظر گرفتن این قاعده برای کاهش محاسبات مضاعف و زائد و افزایش راندمان و دقت نمونه‌سازی تعدادی از مدل‌های جزیی تشکیل‌شده را که از دقت و تخمین بالایی نسبت به مدل‌های دیگر برخوردار هستند انتخاب نموده و مابقی را حذف می‌کنیم (Vaschkina and Yarin 2001، نریمان زاده و همکاران ۲۰۰۲ و ۲۰۰۳، ابریشمی و همکاران، ۱۳۸۸)

متغیرهای اصلی این مطالعه، قیمت‌های نقدی ماهانه و هفتگی کنجاله سویا در بازار بورس کالای ایران می‌باشد. به منظور تبدیل قیمت‌ها به قیمت ثابت از شاخص بهای کالاها و خدمات مصرفی (CPI) به قیمت ثابت سال ۱۳۸۳ استفاده شده است.

 

3- نتایج

رهیافت مبتنی بر فرآیند خودرگرسیونی و میانگین متحرک یکی از روش‌های کلاسیک و پذیرفته‌شده جهت پیش‌بینی متغیرهای اقصادی است. جهت تعیین تعداد جمله های خود رگرسیو و تعداد جمله های میانگین متحرک از توابع خود همبستگی و خود همبستگی جزئی بر اساس مراحل باکس جنکینز استفاده گردید. در نهایت بر اساس معیارهای آکائیک و شوارتز-کمترین مقدار معیارهای آکائیک و شوارتز- وقفه بهینه برای نمونه‌ها انتخاب گردید. نتایج برآورد این الگو در ادامه آمده است. به عنوان مثال در نمونه‌سازی معادله قیمت ماهانه کنجاله سویا تعداد یک جمله خودرگرسیو و پنج وقفه میانگین متحرک به عنوان وقفه‌های بهینه بر اساس معیارهای مذکور، انتخاب گردید.

 

قیمت ماهانه کنجاله سویا

(8)                   

 

نرخ رشد قیمت ماهانه کنجاله سویا

(9)                   

 

قیمت هفتگی کنجاله سویا

 (10)                             

 

نرخ رشد قیمت هفتگی کنجاله سویا

(11)                  

 

همان طور که در بخش روش تحقیق آمده است، الگوریتم GMDH از رهیافت‌های انعطاف‌پذیر شبکه عصبی است. در طراحی نمونه شبکه عصبی باید اندازه مجموعه یادگیری و آزمایش، نرمال سازی داده‌ها، تعداد لایه‌های پنهان شبکه و تعداد نرون های هر لایه- هر نرون ورودی‌های متعددی را پذیرا است که با یکدیگر به طریقی جمع می‌شوند اگر در یک لحظه تعداد ورودی‌های فعال نرون به حد کفایت برسد نرون نیز فعال می شود-مشخص گردد. در تعیین این موارد، روش‌های سیستماتیکی وجود ندارد بنابراین بهترین طراحی شبکه با استفاده از تجربه و آزمایش و خطا به دست می‌آید. در این پژوهش پس از تعیین مجموعه داده‌های تست و آموزش، داده‌های ورودی به شبکه استانداردسازی شد. در این تحقیق جهت پیش‌بینی و مدل‌سازی به روش GMDH از داده‌های ماهانه قیمت سویا از مهرماه۱۳۸۳ تا اسفندماه۱۳۹۱ استفاده شد. از داده‌های مربوط به مهرماه۱۳۸۳ تا دی ماه ۱۳۹۱ برای آموزش شبکه و از مابقی برای آزمون شبکه استفاده شد. جهت پیش‌بینی و نمونه‌سازی قیمت هفتگی کنجاله سویا از داده‌های مربوط به هفته اول مهرماه۱۳۸۳ تا هفته آخر دی ماه ۱۳۹۱ برای آموزش شبکه و از مابقی برای آزمون شبکه استفاده شد. در این تحقیق تعداد نرون ها از ۱ تا ۱۳ نرون متغیر است و بهترین تعداد نرون به صورت سعی و خطا تعیین می‌شود. در این تحلیل تنها از اطلاعات گذشته شامل میانگین‌های متحرک کوتاه و بلندمدت برای پیش‌بینی قیمت استفاده شد. انتخاب داده‌های هفتگی به دلیل ماهیت این روش در پیش‌بینی‌های کوتاه مدت است. مدل GMDH با انتخاب بهینه ۳ لایه بهینه تخمین زده شد. مقدار RMSE در مرحله تخمین برای قسمت آموزش و برای داده‌های آزمون و دقت پیش‌بینی در جدول شماره یک آمده است. در ادامه جزئیات پیش‌بینی قیمت سویا در بازار  بورس کالا در دو افق زمانی ماهانه و هفتگی آمده است.

 

جدول ۱- جزئیات الگوی برآورد شده با رهیافت GMDH برای پیش‌بینی قیمت کنجاله سویا

مقدار RMSE برای داده‌های آزمون[vii]	مقدار RMSEبرای قسمت پردازش[viii]	معیار ارزش‌گذاری[ix] ( دقت پیش‌بینی)	تعداد لایه[x]	نام متغیر[xi]
قیمت ماهانه کنجاله سویا در بورس کالا
9-10 99/1	9-10 8/1	8-10 35/4 >)99 درصد)	3	BSP
03/0	03/0	029/0 >)99 درصد)	3	DLBSP
قیمت هفتگی کنجاله سویا در بورس کالا
0009/0	0012/0	7-10 9/3 >)99 درصد)	3	BSPW
03/0	027/0	041/0 >)99 درصد)	3	DLBSPW

منبع: محاسبه های تحقیق

 

 

نمودار ۳- روند قیمت ماهانه کنجاله سویا در بورس کالا، پیش‌بینی‌شده با الگوریتم GMDH (واحد:کیلوگرم ریال)

 

نمودار ۴-  روند قیمت  هفتگی کنجاله سویا در بورس کالا، پیش‌بینی‌شده با الگوریتم GMDH (واحد:کیلوگرم ریال)

 

برای ارزیابی دقت پیش‌بینی‌ به طور معمول از خطای پیش‌بینی یا توابعی از آن‌ها استفاده می‌شود. در این مطالعه میزان خطای پیش‌بینی با معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و میانگین قدر مطلق درصد خطا (MPAE) مورد بررسی قرار می‌گیرد.

(12)                  

 

جدول ۲- مقایسه قدرت پیش‌بینی قیمتمحصول کنجاله سویا در بورس کالا

نام متغیر	نماد	روش پیش‌بینی	MAE	RMSE	MAPE
قیمت ماهانه از ۷/۱۳۸۳- ۱۲/۱۳۹۱
قیمت کنجاله سویا	BSP	GMDH	26/1	96/1	207/0
		ARIMA(1,5)	7/298	44/387	16/16
نرخ رشد قیمت کنجاله سویا	DLBSP	GMDH	0321/0	0355/0	186/4
		ARIMA(1,5)	158/0	207/0	57/362
قیمت هفتگی از هفته اول ۷/۱۳۸۳ تا هفته چهارم ۱۲/۱۳۹۱
قیمت هفتگی سویا	BSPW	GMDH	00058/0	000947/0	2585/0
		ARIMA(1,7)	167/89	14/136	009/5
نرخ رشد هفتگی کنجاله سویا	DLBSPW	GMDH	024/0	0303/0	0174/0
		ARIMA(5,5)	048/0	0733/0	39/366

مأخذ: محاسبه های تحقیق

همان طور که در جدول فوق آمده است، به‌کارگیری هر سه معیار میزان دقت پیش‌بینی نشان می‌دهد که الگوریتم شبکه عصبی، توانایی و دقت بالایی در پیش‌بینی قیمت نسبت به روش خودرگرسیو میانگین متحرک داشته است.

 

جمع‌بندی و پیشنهاد‌ها

این مطالعه تلاش می‌کند که به منظور دست‌یابی به پیش‌بینی‌های بهتر در بازار بورس ، قواعد موجود در ساختار قیمت کنجاله سویا را کشف کند. وجود نوسانات به ویژه در قیمت‌های ثابت نشان‌دهنده نوعی نا اطمینانی به قیمت‌های بورس کالا است. البته یکی از دلایل این نوسان ها تقاضای بسیار کم و عرضه نامتوازن در بورس کالا است. به طوری که برخی موارد برای یک یا چند هفته معامله‌ای صورت نگرفته و قیمت تحقق پیدا نمی‌کند.

همان طور که نشان داده شد، روند کلی قیمت ماهانه کنجاله سویای معاملاتی در بورس کالا به قیمت جاری علیرغم نوسان های زیاد، صعودی با شیب کم بوده است. اما روند قیمت کنجاله سویای دادوستد شده در بورس کالای ایران به قیمت ثابت سال ۱۳۸۳، کاهشی با شیب بیشتر بوده است.

قیمت کنجاله معاملاتی در بورس کالا به قیمت جاری و ثابت نوسان های زیادی داشت. اگرچه روند کلی قیمت هفتگی کنجاله به ارقام جاری تقریباً ثابت بوده است، اما روند قیمت هفتگی کنجاله سویا به قیمت‌های ثابت سال ۱۳۸۳، نزولی بوده است. وجود نوسان ها با دامنه زیاد در ارقام به قیمت جاری و ثابت دیده می‌شود. وجود نوسانات به ویژه در قیمت‌های ثابت نشان‌دهنده نوعی نا اطمینانی به قیمت‌های بورس کالا است. به عبارتی بورس کالا به ویژه حجم و سهم معامله ها نتوانسته است از ریسک قیمتی این نهاده دامی بکاهد. حجم معامله ی کنجاله ها نیز نشان می‌دهد سهم معامله های آن از کل معامله ها از ۱/۱۶درصد در شش ماهه ۱۳۸۳ با روندی نوسانی به ۴/۷درصد در سال ۱۳۹۱ رسیده است. پیشنهاد می‌شود، در مطالعه های دیگر ضمن شناسایی ساختار بازار کنجاله سویا، وضعیت واردات آن مورد توجه قرار گیرد. بررسی‌ها نشان می‌دهد که حجم بالایی از کنجاله سویای عرضه‌شده در بورس کالا، وارداتی بوده و متغیرهای بسیاری مانند قیمت جهانی، نرخ ارز، تعرفه‌ها و وضعیت تحریم روی نوسانات این قیمت اثرگذار است.

در این مطالعه با استفاده از داده‌های قیمت ماهانه و هفتگی کنجاله سویا در بازار بورس، قیمت کنجاله با روش شبکه عصبی مبتنی بر الگوریتم GMDHپیش‌بینی گردید. با توجه به این که این الگوریتم ، نتایج پیش‌بینی دقیقی را فراهم کرده است، پیشنهاد می‌شود تا در پیش‌بینی قیمت مورد توجه و استفاده قرار گیرد. افزایش دقت پیش‌بینی سبب اتخاذ سیاست‌های کاراتری می‌شود. نکته دیگر این که، رهیافت شبکه عصبی مصنوعی در مقایسه با رهیافت‌های سنتی نظیر آریما، صرفه‌جویی بیشتری در درجه آزادی داشته و جهت پیش‌بینی با مشاهده های کم، مناسب تر است.

 

---

1- دکتری اقتصاد کشاورزی، گروه اقتصاد کشاورزی، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی. تهران،ایران.(نویسنده مسئول)

2- استاد، گروه اقتصاد کشاورزی، دانشکده اقتصاد و توسعه کشاورزی. دانشگاه تهران.

3- استاد، گروه اقتصاد، دانشگاه تهران.

---

[i].Group Method of Data Handling(GMDH)

[ii].Logit

[iii]. Autoregressive Integrated Moving Average processes

[iv]. Tentative identification

[v]. Diagnostic checking

[vi].Volterra Functional Series

[vii].Post Processed Learning

[viii]. Post Processed Prediction

[ix]. Criterion Value

[x]. Layer

[xi].Variable

مراجع

فهرست منابع

1)    ابریشمی ح.، م. مهر آرا، م. احراری، و س. میرقاسمی، ۱۳۸۸. الگوسازی و پیش­بینی رشد اقتصادی ایران با رویکرد شبکه عصبی GMDH. مجله تحقیقات اقتصادی. شماره ۸۸. ص ۲۴-۱.

2)    پندار م.، ع. شاکری، و ح. سلامی، ۱۳۹۱. مدیریت ریسک قیمتی واردات دانه روغنی سویا به وسیله بازار آتی‌ها. مجله تحقیقات اقتصاد و توسعه کشاورزی ایران. دوره ۲۴-۲. شماره ۴. ۴۹۲-۴۷۹.

3)    فهیمیفرد م.،۱۳۸۷. مقایسهکاراییمدلهایعصبی - مصنوعیوخودرگرسیونیدرپیشبینیقیمتمحصولاتکشاورزیایران. پایان نامهکارشناسیارشدگروهاقتصادکشاورزی.دانشگاهزابل.

4)    مشیری س.، ۱۳۸۰. پیش بینی تورم ایران با استفاده از مدل های ساختاری، سری زمانی و شبکه های عصبی. مجله تحقیقات اقتصادی. شماره ۵۸. ص۱۸۴-۱۴۷.

5)    مشیری س.، و ف. فروتن، ۱۳۸۳. آزمون آشوب و پیش‌بینی قیمت‌های آتی نفت خام. فصلنامه پژوهش‌های اقتصادی ایران. شماره ۲۱. ص۹۰-۶۷.

6)     Fahimifard, S. M., M. Salarpour, M. Sabouhi, and S. Shirzady. 2009. Application of ANFIS to Agricultural Economic Variables Forecasting Case Study: Poultry Retail Price. Journal of Artificial Intelligence, 2(2):65-72.

7)     Harvi, S., Osborn, D. R., C. R. Brichenhall. 2004. Liner versus neural network forecasts for European industrial prodnction series, International Journal of forecasting, 20: 435-446.

8)     HuseyinInce., Theodore B. Trafalis. 2005. A hybrid model for exchange rate prediction, www.sicencedirect.com

9)     Henry C.Co., RujirekBoosarawongse. 2007. Forecasting Thailand, rice export: Statistical techniques vs. artifical neural networks, www.sicencedirect.com.

10)  Ivakhnenko. G.A .1995. The Review of Problems Solvable by Algorithms of the Method of Data Handling (GMDH). Pattern Recognition and Image Analysis, Vol.5.4: 527-535.

11)  Moshiri, S., Cameron, N.2000. Neural network versus econometric models in forecasting inflation. Journal of forecasting 19, p.201-217

12)  Nariman-zadeh N., A. Darvizeh, M. Gharababaei .2002. Modelling of Explosive Cutting Process of Plates Using GMDH-type Neural Network and Singular Value Decomposition". Journal of Materials Processing Technology, 128 (1-3): 80-87

13)  Olson, D. and C. Mossan. 2003. Neural network of Canadian stock returns using accounting ratios international. Journal of Forecasting, 19:453-465.

14)  Rech, G. 2002. Forecasting with artifical neural network models, SSE.EFI working paper Series in economics and Finance, 491:1-20.

یادداشت‌ها