مقایسه روشهای خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی

شبکه­های عصبی مصنوعی‏، از جمله مد‎ل‎های ریاضی جدیدی هستند که با دقت بالا به مد‏‎ل‎بندی ساختار سر‏ی‌های زمانی غیرخطی می‌پردازند. مزیت این مدل­ها در مقایسه با مدل­های سری زمانی این است که نیاز به فرضیات محدودکننده نیست. دقت برآوردگرهای حاصل از شبکه عصبی به‌عنوان یک مدل ناپارامتری از مسائل مهم هست. برای این منظور با استفاده از روش­های خودگردان، می‌توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری‌های زمانی محاسبه کرد. این روش­ها که در سال­های اخیر معرفی شده­اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش­ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم­های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده­ها در سری‌های زمانی پرداخته می‌شود. سپس این چهار الگوریتم در یک مطالعه شبیه‌سازی برای مدل­های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه­ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استانداردشده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می­گیرند. درنهایت با استفاده از داده‌های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می‌شود.