Abstract:
توجه به ثبات نسبی و پیشبینی قیمت، میتواند نقش مهمی در کنترل ناپایداری قیمتها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیشبینی، مهمترین بخش مقایسهی روشهای مختلف است. در این پژوهش با مقایسهی قدرت پیشبینی دو روشARMA و شبکهی عصبی مصنوعی و با انتخاب روش بهتر، قیمتهای هفتگی خردهفروشی و عمدهفروشی ماهی قزلآلا پیشبینی میشود. در این مطالعه از شبکهی پیشخور که از نوع شبکههای پس انتشار (Back Propagation) است، استفاده میشود. دادههای مورد استفاده در مطالعه شامل قیمتهای هفتهی اول فروردین 1388 تا هفتهی آخر شهریور 1390 میباشد. قبل از استفاده از روشهای پیشبینی تصادفی یا غیرتصادفی بودن دادهها مورد بررسی قرار گرفت. بر اساس آزمونهای تصادفی بودن والد-ولفویتز، والیس-مور و دوربین-واتسون هر دو سری قیمت غیرتصادفی و قابل پیشبینی هستند. بر اساس آزمون ایستایی دادهها (دیکی-فولر تعمیم یافته) سریها در سطح ایستا میباشند. نتایج پیشبینی نشان میدهد که مدل ARMA در مقایسه با مدل شبکه عصبی مصنوعی، بر اساس چهار معیار ارزیابی دقت پیشبینی، میزان خطای کمتری دارد در نتیجه قدرت بالاتری در پیشبینی قیمت ماهی قزلآلا دارد. در مدل شبکه عصبی 80% دادهها برای آموزش شبکه و 20% برای دادههای آزمایشی در نظر گرفته شد. نتایج آزمون برابری دقت دو روش (MGN) نشان میدهد مدل ARMA در پیشبینی قیمت خردهفروشی و قیمت عمدهفروشی نیز به طور معنیداری بهتر از مدل شبکه عصبی است. طبقهبندی JEL:E27, P25, Q18
Paying attention to the relative stability of prices and forecasting prices could play an important role in controlling the instability of prices and ultimately reduce market risk. Comparison of different methods is important in the forecasting issues. In this study Wholesale and Retail Prices (Weekly Prices) of Rainbow Trout Fish will forecast with contrasting between forecasting power of the ARMA method and Artificial Neural Network method and choice the better one. In this study the Feed-forward network that is one of Back Propagation networks is used. The using data are from first week of farvardin 1388 to last week of shahrivar 1390. Before usage of predict methods، the random or non-randomized nature of the data were examined. Both of Price Series are predictable and non-randomized based on Random tests of Wald-Wolfowitz، Wallis-Moore and Durbin –Watson. Series are stationary in levels based on data stationary test (Dicky-Fuller augmented). Results of Forecasting show that in the model ARMA compared with artificial neural network (ANN) error rate is less based on four criteria forecast accuracy evaluating. Then it has higher power in forecasting the price of Rainbow Trout Fish. In the ANN model 80% of data for training network and 20% for testing network have been used .The results of accuracy equality test of the two methods (MGN) shows the ARMA model is also better than the neural network model in forecasting retail and wholesale prices significantly.
Machine summary:
"همچنین با وجود مطالعات زیاد صورت گرفته در زمینه پیش بینی قیمت محصولات کشاورزی، تحقیقی در خصوص پیش بینی قیمت در بخش شیلات صورت نگرفته است ؛ لذا در این پژوهش سعی میشود با مقایسه قدرت پیش بینی دو روش ARMA و شبکه عصبی مصنوعی و با انتخاب روش بهتر، اقدام به پیش بینی قیمت ماهی قزل آلا نمود تا بتوان بخشی از ریسک ناشی از عدم قطعیت قیمت را از بین برد.
بر اساس شکل فوق مراحل پیش بینی شامل چهار مرحله به ترتیب زیر است : 2 گام اول : پیش پردازش داده ها زمانی که داده ها ضعیف یا ناکافی باشند برای مدل مناسب نیستند، در این حالت قبل از استفاده از الگوریتم شبکه عصبی مصنوعی داده های اولیه باید پیش پردازش شوند.
در جدول (٩) و (١٠) نتایج حاصل از ارزیابی دقت پیش بینی برای دو سری قیمت خرده فروشی و عمده فروشی با روش های ARMA و شبکه عصبی مصنوعی آمده است .
نتایج آزمون برابری دقت دو روش ، (MGN) در جدول (١١) نشان میدهد در سطح خطای ١٠% (با اطمینان ٩٠%) مدل ARMA در پیش بینی قیمت خرده فروشی به طور معنیداری بهتر از مدل شبکه عصبی است .
پیش بینی خارج از نمونه با توجه به اینکه فرآیند (ARMA) بر اساس معیارهای ارزیابی خطا دارای دقت پیش بینی بالاتری در مقایسه با مدل شبکه عصبی است ، بنابر این برای پیش بینی خارج از نمونه (هفته اول مهرماه ١٣٩٠ تا هفته آخر اسفندماه ١٣٩٠) از روش (ARMA) بهره گرفته شد که نتایج حاصل از این پیش بینی برای قیمت های خرده فروشی و عمده فروشی در جدول (١٢) نشان داده شده است ."