پیش بینی نرخ تورم با استفاده از دو الگوی میانگین متحرک خودتوضیح و پیمایشی (مطالعه موردی شهر شیراز)

پیش بینی نرخ تورم در ایران با استفاده از روش ساخت نماگر های ترکیبی پیشرو

در حال حاضر تورم یکی از حادترین مشکلات اقتصادی چه برای کشورهای توسعه یافته و چه برای کشورهای در حال توسعه می باشد. جلوگیری از بروز بحرانهای ناشی از تورم های بالا نیاز به اعمال سریع و هدایت صحیح سیاستهای اقتصادی دارد و همچنین با توجه به اینکه از زمان اجرای یک سیاست اقتصادی تا زمان

پیش بینی نرخ ارز در ایران با استفاده از یک الگوی پیوندی ازالگوی خودرگرسیونی میانگین متحرک انباشته(arima) و شبکه عصبی مصنوعی (ann)

مطالعات پیشین درخصوص افزایش دقت پیش بینی بین روند متغیرهای کلان اقتصادی، به طور معمول بر پایه الگو های سری-زمانی یا الگو های اقتصادسنجی، استوار بوده اند. با وجود این، این الگو ها با محدودیت خطی بودن مواجه هستند و با غیرخطی بودن طبیعت دنیای واقعی سازگار نیستند. الگوی خودرگرسیونی م

پیش بینی نرخ انتقال رسوب در امتداد ساحل با استفاده از فرمولهای نیمه تجربی و کاربرد شبکه عصبی مصنوعی در سواحل شهر نور

برآورد نرخ انتقال رسوب ساحلی از جمله مهمترین عوامل مورد نیاز در محاسبه مقدار و الگوی فرسایش و رسوبگذاری در مهندسی سواحل می باشد. طی دهه های اخیر فرمولهای تجربی مختلفی جهت بر آورد نرخ انتقال رسوب ساحلی توسط محققان زیادی ارائه شده است که هریک از روشها تحت شرایط محدود نیمرخ بستر و ب

مدل سازی و پیش بینی تغییرات کاربری اراضی و گسترش فیزیکی شهرها با استفاده از تصاویر ماهواره ای(نمونه موردی: شهر گنبدکاووس در مقطع زمانی1393-1366)

مناطق پیرامون شهرها تحت تأثیر و نفوذ رشد شهری قرار می گیرند، به طوری که فرایند پیش بینی توسعه شهرها در حال حاضر یکی از مهم ترین موضوعات پیش روی پژوهشگران شهری است. هدف پایان نامه پیش بینی توسعه فضایی شهر گنبدکاووس تا سال??29بر اساس بررسی تغییرات کاربری اراضی در چهار دوره ????، ??

پیش بینی توسعه کالبدی شهری با استفاده از شبکه های عصبی (مطالعه موردی: شهر ایذه)

گسترش سریع شهرها نه تنها باعث مشکلات اجتماعی شده بلکه مشکلات زیست محیطی را در بسیاری از کلان شهرها به وجود آورده است. پیچیدگی سیستم های شهری، مستلزم در نظر گرفتن وابستگی متقابل عوامل مختلف برای مدل سازی و پیش بینی توسعه شهری است. مدل های توسعه شهری تلاش دارند تغییرات آینده شهر را

پیش بینی نرخ ارز در ایران با استفاده از الگوی شبکه عصبی مصنوعی و مقایسه آن با مدل های خود توضیح خطی و مدل گام تصادفی

پیش بینی نرخ تورم ماهانه: کاربرد الگوی تصحیح خطای داده های ترکیبی با تواتر متفاوت

در مقاله حاضر به منظور پیش بینی نرخ تورم ماهانه با استفاده از داده های سری زمانی نمونه گیری شده باتواترهای متفاوت، از الگوی تصحیح خطای میداس استفاده شده است. برای بررسی دقت پیش بینی الگو، نرخ تورم ماه های مهر و آبان سال 1395 در الگو مورد استفاده قرار نگرفته و مقادیر تورم این دو م

ارائه الگوی پیش بینی نرخ تورم و نرخ رشد اقتصادی ایران با رویکرد آینده پژوهی و روش گری مارکف

پیش بینی های کاملا دقیق و با خطای صفر، صرف نظر از حوزه و موضوع مورد نظر، بسیار دشوار و تقریبا غیر ممکن است به ویژه آنکه فرایند پیش بینی، در محیط کاملا پیچیده و در ابر غلیظی از عدم قطعیت ها و بازیگران و پیشران های متعدد و موثر بر محیط انجام شده و داده ها و اطلاعات مورد استفاده در

پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی )مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان(

سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو

پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی )مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلستان(

سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصددیافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگیهای چند بعدی نرخ ارز باعث رفتار پیچیده وغیرخطی آن شده است. یکی از روش های سنتی پی بینی، تجزیه و تحلیل سری زمانی است که بر دو

به کارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیش بینی نرخ ارز

در دنیای امروز به کارگیری روشهای کمی پیش بینی در زمینه های مختلف مورد توجه گسترده قرار گرفته است. تغییرات سریع محیطهای ناشناخته در دنیای واقعی و به ویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان به منظور تأمین داده های مورد نیاز شده است. مدلهای میانگین متحرک خود رگرسی

بکارگیری مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته فازی احتمالی به منظور پیش بینی نرخ ارز

مدل های میانگین متحرک خودرگرسیون انباشته فازی (FARIMA) از جمله مدل های بهبودیافته مدل های میانگین متحرک خودرگرسیون انباشته کلاسیک (ARIMA) اند که به منظور مرتفع ساختن محدودیت تعداد داده های مورد نیاز این گونه از مدل ها ارائه شده اند. در این مقاله، به منظور حصول نتایج دقیقتر در شرا