این مطالعه از نظریه اطلاعات و نظریه شبکه برای پیش بینی نوسانات ارزش ارز مدل یادگیری ماشین استفاده کرد. برای تجربیات ما روابط علی بین ارزها را با استفاده از مقادیر بازده لاریتمی (ورود-بازگشت) و ارزش انتروپیک در معرض خطر (اوار) قیمت طلا در هر اونس تروی در 48 ارز طی 25 سال محاسبه می کنیم. برای تعیین کمیت روابط علی از مفهوم انتروپی انتقالی استفاده شد. پس از کمی سازی جریان اطلاعاتی این روابط علی غیرخطی را به عنوان یک شبکه مدل سازی و تحلیل کردیم. نتایج تجزیه و تحلیل شبکه تایید کرد که روابط علی غیرخطی مبتنی بر جریان اطلاعات با دستور ارز اصلی شناخته شده متفاوت است. سپس ارزها را با استفاده از روش های خوشه بندی سلسله مراتبی بر اساس شبکه های پیکربندی شده طبقه بندی کردیم. ما نوسانات ارزش ارز را با استفاده از الگوریتم های یادگیری ماشین بر اساس اطلاعات مبتنی بر توپولوژی شبکه پیش بینی کردیم. در نتیجه نشان میدهیم که استفاده از ستونهای دادهها در جوامع مشابه بر اساس روابط علی غیرخطی معنادار میتواند بیشترین نوسانات مبتنی بر یادگیری ماشینی ارزش ارز را برای کشورهای مختلف از منظر کارایی دادهها بهبود بخشد.
کار بر روی یک مقاله?
مقدمه
در پنج سال گذشته مباحث اصلی اقتصاد جهانی حمایت گرایی و محرک اقتصادی بوده است. موضوعات مربوط به درگیری های تجاری و سیاست اول کشور خود باعث تحرکاتی برای تقویت اقتصاد داخلی به قیمت کشورهای خارجی شده است. علاوه بر این با رکود اقتصادی جهانی پس از شیوع کووید-19 کشورهای دارای اهمیت اقتصادی در سراسر جهان به صورت رقابتی انتشار ارز را برای تحریک اقتصاد اجرا کرده اند. چنین شرایطی خطر نزولی نرخ ارز در سیستم اقتصادی جهانی را افزایش داده است. با توجه به اینکه نرخ ارز یک عامل موثر بر سرمایه گذاری جهانی و اقتصاد, ضروری است برای پیدا کردن روش های مناسب برای پرچین خطرات احتمالی. یکی از ساده ترین روش ها برای جلوگیری از ریسک نزولی پیش بینی قیمت های بعدی یا نوسانات ریسک دارایی های مالی است.
در امور مالی پیش بینی زمینه قابل توجهی است. به عبارت دیگر یافتن مدلی برای پیش بینی اهداف بازارهای مالی با وجود چالش های عمده مانند ورشکستگی هنوز یک موضوع بسیار مورد تحقیق است (اسورورین و وگانزون ها, 2021), ریسک اعتباری (بلهادی و همکاران., 2021), و حتی قیمت محصولات مالی (گوپتا و همکاران., 2022; جابور و همکاران., 2021). به خصوص پیش بینی دارایی های مالی' قیمت بسیار پیچیده با توجه به ویژگی های غیر خطی و پویا و گیج کننده و غیر قابل پیش بینی است.
با این حال, در میان تلاش های مختلف برای پیش بینی سری زمانی مالی, مدل های یادگیری ماشین به تازگی مورد مطالعه قرار گرفته است, با توجه به توانایی خود را به رسمیت شناختن الگوهای پیچیده در برنامه های مختلف. بر این اساس بسیاری از مطالعات پیشین از یادگیری ماشین برای پیش بینی شاخص های اقتصادی مانند قیمت سهام و نرخ ارز استفاده کرده اند. به عنوان مثال پیش بینی کوتاه مدت نرخ ارز تا حدودی از طریق تکنیک های یادگیری ماشین (گالشچوک 2016) امکان پذیر است. علاوه بر این, پیش بینی از طریق تکنیک های یادگیری ماشین استدلال شده است که می تواند قادر به پیش بینی بیشتر در مقایسه با مدل هرج و مرج و مدل رفتاری (لیسی & اسکیاو, 1999).
بر اساس این روند تلاش کردیم تا جریان اطلاعات انتروپی و نظریه شبکه را بررسی کنیم تا به پیش بینی نرخ ارز بلندمدت از طریق نوسانات ارزش ارز کمک کنیم. در اینجا همانطور که در فصل 2 به تفصیل اشاره خواهیم کرد ارزش فعلی به مقدار پول مورد نیاز برای همان کالا اشاره دارد. تجزیه و تحلیل رابطه بین ارزها به عنوان جریان اطلاعاتی از نوسانات ارزش ارز نشان داده شده به عنوان نظریه شبکه روشی است که در مطالعات لیو و همکاران پیشنهاد شده است. (2010) و کاو و همکاران. (2017). هر دو مطالعه به طور مستقیم مدل رابطه ارز جهانی از طریق تجزیه و تحلیل شبکه با شناخت بازده لگاریتمی (ورود به سیستم بازده) و خطرات حرکت نزولی خود را به عنوان جریان اطلاعات. به عبارت دیگر این مطالعه با هدف مدل سازی روند جهانی نرخ ارز با مشاهده رابطه علی بین مقادیر بازده لگاریتمی و ریسک نزولی ارزها بین ارزها به عنوان جریان اطلاعات بین ارزها و کمی سازی ارزها از طریق اقدامات انتروپی انجام شده است. علاوه بر این شبکه مدلسازی شده برای نمایش نظم ارز جهانی از دیدگاه نظریه اطلاعات بر اساس رتبه صفحه تجسم یافته است. در نهایت بر اساس نتایج خوشهبندی سلسلهمراتبی از تکنیکهای یادگیری ماشین برای پیشبینی ارزش ارز با استفاده از نوسانات ریسک نزولی و نرخ ارز بلندمدت استفاده شد.
بخش باقیمانده این مطالعه به شرح زیر است. فصل 2 توجیه استفاده از انتروپی انتقال مورد استفاده در این مقاله را از طریق توصیف داده های تحقیق و تجزیه و تحلیل داده های اکتشافی تایید می کند و فصل 3 روش تحقیق را توضیح می دهد. فصل 4 نتایج یک رابطه علی معنادار را با توجه به انتروپی انتقال موثر محاسبه شده بر اساس روش تحقیق توصیف می کند و شامل نتایج شماتیک است. همچنین تحلیل شبکه با استفاده از شبکههای علی غیرخطی پیکربندی شده بر اساس بازده لاگ و ارزش انتروپیک در معرض خطر انجام شد. سپس جوامع مبتنی بر جریان اطلاعات را با توپولوژی شبکه خود ایجاد کردیم. در فصل 5 بر اساس تجزیه و تحلیل فصل 4 نتایج تحلیل شبکه علی غیرخطی در این مقاله می تواند نتایج بهتری در پیش بینی نوسانات ارزش ارز مورد تجزیه و تحلیل قرار گیرد. فصل 6 بحث ها و نتیجه گیری ها را شرح می دهد.
توضیحات داده
داده های این مقاله براساس نرخ ارز هر کشور در برابر دلار است. با این حال, به استثنای دلار در هنگام انجام یک تجزیه و تحلیل شبکه ارز جهانی بیهوده خواهد بود. بنابراین لازم بود واحدی شامل دلار توسعه یابد که در سطح جهانی مورد استفاده قرار گرفته است. بدین ترتیب این مطالعه تمام واحدهای پولی را به قیمت طلا در هر اونس تروی تبدیل کرد. طلا یک کالای شناخته شده در سطح جهانی است و در روزهای اولیه به عنوان یک ارز جهانی مورد استفاده قرار گرفته است و این واحد مناسب برای مطالعه ما است. برای این منظور, داده های ارزش ارز با ضرب قیمت دلار طلا در هر اونس تروی و نرخ ارز هر ارز به دلار ساخته شد, به این معنی که مقدار ارز برای خرید یک مقدار اونس تروی طلا. ما این مقدار ارز به عنوان 'ارزش ارز' در این مقاله تماس بگیرید.
منبع داده های خام در این مقاله عمدتا خدمات نرخ ارز پاسیفیک است که توسط پروفسور ورنر انتویلر از دانشگاه بریتیش کلمبیا در کانادا (انتویلر, 2008). پایگاه داده فوق فراهم می کند نرخ ارز برای 88 کشور و سه فلزات گرانبها (طلا, نقره, و پلاتین) از سال 1971. این مطالعه داده های نرخ ارز را از هرچه بیشتر کشورها از این پایگاه داده استخراج کرد. متاسفانه با افزایش زمان تجزیه و تحلیل داده های موجود کاهش یافت و ما بین دوره ها و کشورها به خطر افتادیم. در نتیجه مناسب ترین دوره و کشورها از سال 1995 تا 2020 در 48 کشور انتخاب شده اند.
مجموعه داده های خام همچنین نرخ ارز به روز کشورهای ادغام شده در منطقه یورو را فراهم می کند. هنگامی که در منطقه یورو شامل, ارزهای موجود ارزهای خود را به نرخ ارز خاص ثابت و تبدیل به یورو. نرخ ارز فعلی با ضرب این نرخ ارز ثابت در نرخ ارز فعلی یورو محاسبه شد. در میان مجموعه داده های خام, در مجموع 0.3% گم شده بودند. ما داده های اضافی را از بانک های مرکزی پردازش کردیم تا ارزش های از دست رفته را تکمیل کنیم. برای شیلی, سریلانکا, و کویت, داده ها توسط بانک مرکزی فراهم شد, و برای برزیل, ارزش از دست رفته توسط نرخ ارز داده شده توسط فدرال رزرو ایالات متحده پر شد (شیلی بانکو مرکزی, 2021; بانک مرکزی کویت, 2021; شورای حکام سیستم فدرال رزرو, 2021; بانک مرکزی سریلانکا, 2021). مقادیر گمشده باقیمانده کویت و امارات متحده عربی از طریق پایگاه داده اکوس تهیه شده توسط بانک کره تکمیل شد (سیستم ارقام اقتصادی کره, 2021). مقادیر گمشده باقیمانده با استفاده از درون یابی اسپلاین مکعبی تخمین زده شد.
همانطور که در بالا ذکر شد ما از داده های قیمت طلا برای ایجاد یک شبکه ارزی جهانی استفاده کردیم. برای ایجاد مجموعه داده های ما از داده های شورای جهانی طلا که بر صنعت جهانی طلا نظارت می کند استفاده شد (شورای جهانی طلا, 2021). ما از طریق داده های سازمان جهانی تجارت قیمت دلار طلا را از سال 1995 تا 2020 برای 48 کشور جهان دریافت کردیم. در این مجموعه داده ها می توان قیمت طلای ویتنام را برای هر اونس تروی دریافت کرد که به هدف تحلیل این مطالعه اضافه شد. اسامی و کد ایزو 4217 48 واحد پول انتخاب شده به شرح زیر است: دلار امریکا, دلار استرالیا(دلار استرالیا), دلار استرالیا, شیلینگ اتریش(دلار استرالیا), فرانک بلژیک, برزیل واقعی(برل), پوند استرلینگ(پوند), دلار کانادا(دلار کانادا), پزوی شیلی پوند مصر(ان ال جی), پوند مصر(ان ال جی), یورو اروپا, مارککا فنلاندی(اف اف), فرانک فرانسه, فرانک فرانسه, درام یونانی, دلار هنگ کنگ(هنگ کنگ), فورینت مجارستان(هاف), کرونای ایسلندی(اسک), روپیه هند(این), روپیه اندونزی(اسراییل, پوند ایرلند, شکل جدید اسراییل, لیر ایتالیا, p ژاپن, دینار کویت, رینگیت مالزی, پزوی مکزیک, پزوی نیوزیلند, کرون نروژ(نوک), پزوی فیلیپین(پی اچ پی), زلوتی لهستانی(پی ان), اسکودوی پرتغال(پت), روبل روسیه(مالیدن), سعودی ریال عربستان, دلار سنگاپور, رند افریقای جنوبی(زر), وون کره جنوبی, پزتا اسپانیایی, پزتا اسپانیایی, کرونا کرونا, فرانک سوییس, دلار تایوان جدید(دود), بات تایلند(تی), لیر ترکیه(سعی کنید), امارات متحده عربی درهم(درهم) و دونگ ویتنامی(وند).
تجزیه و تحلیل داده های اکتشافی
این مطالعه بر اساس داده های پیکربندی شده سعی در اندازه گیری روابط علی بین ارزش ارز و ریسک مبادله ای دارد. پس از اندازهگیری از انها برای پیشبینی نوسانات ارزش ارز استفاده کردیم. برای این منظور در این پژوهش از مفهوم ارزش در معرض خطر انتروپیک (اوار) (احمدی جاوید, 2012; بوهدالوفá, 2007) استفاده شده است. اوار مفهومی است که برای تعیین کمیت ریسک نزولی در امور مالی و بهینه سازی احتمال استفاده می شود. در این زمان, اوار منجر به یک مقدار حد بالا برای ارزش در معرض خطر (ور) و ارزش در معرض خطر شرطی (ارزش در معرض خطر). در این پژوهش از شاخصهای اندازهگیری ریسک در هنگام اندازهگیری ریسک مبتنی بر قیمت توسط نابرابری چرنوف استفاده شده است. برای یک فضای احتمال \((\امگا ,ج,پ)\) , اگر متغیر تصادفی ایکس و \(ل_\) یک تابع قابل اندازه گیری بورل در \(X: \Omega و دارای یک تابع مولد لحظه ای \(م_ (ی)\), اوار از \(ایکس \در ال\\) با سطح اهمیت \(1 - \الفا \) است:
برخی از روش های نماینده برای محاسبه اوار شامل روش دلتا-نرمال, روش شبیه سازی مونت کارلو, و روش شبیه سازی تاریخی. در این مقاله ایوار با استفاده از روش شبیهسازی تاریخی تخمین زده شده است. ما از روش شبیه سازی تاریخی استفاده کردیم زیرا روش شبیه سازی تاریخی تغییرات در عوامل خطر یک توزیع خاص را در مقایسه با دو روش دیگر فرض نمی کند. همچنین روش شبیهسازیهای تاریخی شامل تخمین پارامترهای امار مانند واریانس یا کوواریانس نیست و از خطاهای تخمین اجتناب ناپذیر جلوگیری میکند.
در این مقاله از چهار مجموعه داده اولیه استفاده شده است: قیمت طلا به ارزش 25 سال (2020-1996) و نرخ تغییر 5 روز و 10 روز و 20 روز. هر مجموعه داده دارای 48 ستون(کشور) و 6761 ردیف (روز) است. در این مقاله داده های اساسی برای چهار مجموعه داده شناسایی شده است. سپس نرمال بودن دادهها از طریق تست شاپیرو-ویلک و تست ژاک-برا بررسی شد. همچنین خودهمبستگی نرخ تغییرات در دادههای سری زمانی 5 و 10 و 20 روز کاری از طریق تست لیونگ باکس مورد بررسی قرار گرفت. همچنین ایستایی سری زمانی از طریق سه تست افزایش یافته تست دکی-فولر و تست فیلیپس-پرون و تست کیاتکوفسکی-فیلیپس-اشمیت-شین تایید شد. همجنسگرایی از طریق تست سفید تایید شد. نتایج محاسبه در جداول داده شده 1, 2, 3, 4.
جداول 1, 2, 3, 4 نشان دهنده تعداد ستون ها در هر چهار مجموعه داده (حداقل 0, تا 48) نرمال رضایت بخش, همبستگی خودکار, ایستایی, و همجنسگرایی تحت سطح اهمیت 0.1, 0.05, و 0.01, به ترتیب. همانطور که در جداول دیده می شود 1, 2, 3, 4, تمام مجموعه داده های مورد استفاده در این مقاله می کند نرمال در سطح اهمیت راضی نیست \(\الفا = 0.01\) . همچنین میتوان تایید کرد که تستهای ای دی اف و کی پی اس در هر سه سطح اهمیت ایستایی را ارضا میکنند. از سوی دیگر هیچ ستون داده ای به دلیل تفاوت بین داده ها همجنس گرایی و خود همبستگی را ارضا نکرد.
