مسعود عیسی پره - گروه آمار، دانشگاه اصفهان
نصراله ایران پناه - گروه آمار، دانشگاه اصفهان
مرجان کائدی - گروه مهندسی فناوری اطلاعات، دانشگاه اصفهان

شبکه های عصبی مصنوعی، از جمله مد‎ل‎های ریاضی جدیدی هستند که با دقت بالا به مد‎ل‎بندی ساختار سری های زمانی غیرخطی می پردازند. مزیت این مدل ها در مقایسه با مدل های سری زمانی این است که نیاز به فرضیات محدود کننده نمی باشد. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم می باشد. برای این منظور با استفاده از روش های خودگردان، می توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری های زمانی محاسبه کرد. این روش ها که در سال های اخیر معرفی شده اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده ها در سری های زمانی پرداخته می شود. سپس این چهار الگوریتم در یک مطالعه شبیه سازی برای مدل های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استاندارد شده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می گیرند. در نهایت با استفاده از داده های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می شود.

شبکه عصبی مصنوعی, خودگردان اتورگرسیو, خودگردان مانده ها, خودگردان بلوک متحرک, سری زمانی غیرخطی, شبیه سازی مونت کارلو