ارائه رويكردي در يادگيري ماشين براي بهبود پيشبيني سري هاي زماني با استفاده از داده هاي اقتصاد ايران

كارشناسي ارشد

پيشبيني شاخص هاي اقتصادي يكي از مهمترين و تأثيرگذار ترين پارامتر ها در تصميم گيري هاي كليدي درون دولت و در بخش خصوصي است. بانك مركزي، بانكها و موسسات مالي واعتباري و بسياري از شركتهاي بزرگ دولتي و نيمه دولتي و خصوصي در بسياري از تصميم گيري هاي اساسي و سياست گذاري هاي خود از پيشبيني هاي معتبري از شاخص هاي اقتصادي همانند نرخ بيكاري، تورم، نرخ بهره بانكي، نرخ برابري ارزها و غيره استفاده مي كنند. همچنين اينگونه پيشبيني ها از بزرگترين بازيگران در راستاي تهيه لايحه هاي بودجه هاي ساليانه توسط دولت ارزيابي مي شوند. متاسفانه اينگونه شاخص‌هاي اقتصادي محصول يك سيستم تصادفي پيچيده و سيال است كه باعث مي‌شود پيش‌بيني اين شاخص‌ها دشوار و همراه با خطا‌هاي بعضاً بالا باشد. به همين علت به طور معمول روش‌هايي كه قابليت در نظر گرفتن پارامترهاي كيفي را نيز دارند و اكثرا مبتني بر نظرسنجي مي باشند، نتايج بهتري به دست مي دهند. در مساله پيشبيني سري‌هاي زماني، مي خواهيم با استفاده از داشتن داده هاي مختلف در يك بازه زماني در گذشته، مقدار آينده متغيري را پيش‌بيني كنيم. روش‌هاي قديمي گسترده‌اي در اين زمينه موجود است كه رگرسيون و روش‌هاي غيرخطي مانند پيش‌بيني بيز از مشهورترين آن‌ها هستند. اما در چندين سال اخير پيش‌بيني سري‌هاي زماني توسط يادگيري ماشين رو به گسترش نهاده و در پژوهش‌هاي مختلفي به آن پرداخته شده است. با استفاده از مدل‌هاي گذشته و مدل‌هاي به روز يادگيري ماشين مانند Random Forest و Lstm و GRU و XGboost (روش خاصي از Gradient Boosting ) و مدلي خلاقانه و نوين با استفاده از روش Model Stacking Ensemble به بهترين مدل يادگيري حال رسيده وبا استفاده از معيارهاي آماري خطا، يك بررسي اجمالي برتفاوت هاي كليه مدل‌هاي مهم در مدل‌سازي اين نوع از سري‌هاي زماني، انجام مي دهيم. براي بررسي تك تك اين اتفاقات از معيارهاي آماري به روز خطا كه در آخرين مقالات در حيطه مشابه كار ما از آن‌ها بهره برده شده استفاده كرده‌ايم.

196265

دانشگاه علم و صنعت ايران

دكتر بهروز مينائي