تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن، همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیه و تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونه متغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشان می دهد که سری زمانی تولید ناخالص داخلی از جمله متغیرهایی است که پس از تجزیه در برخی سطوح، رفتاری خطی و در برخی سطوح رفتاری غیرخطی دارد؛ از این رو پیشنهاد شد که ابتدا سری زمانی مذکور به صورت داده های فصلی طی دوره 7631 تا 7631 ، با استفاده از تکنیک موجک به مولفه های مقیاسی متفاوتی تجزیه شده و سپس با کمک مدل ARIMA سری تقریب )روند( و سیکل های با رفتار خطی، و آنگاه با مدل شبکه عصبی سیکل های با رفتار غیرخطی پیش بینی شوند. این مقاله نشان می دهد که نتیجه اعمال این روش پیشنهادی در مقایسه با مدل شبکه عصبی خودتوضیح غیرخطی با لوپ بسته و مدل ARIMA دقیق تر و کارآتر است.
شایگانی, بیتا, سلامی, امیربهداد, & خوچیانی, رامین. (1393). مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک. دانش مالی تحلیل اوراق بهادار, 7(24), 147-162.
MLA
بیتا شایگانی; امیربهداد سلامی; رامین خوچیانی. "مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک". دانش مالی تحلیل اوراق بهادار, 7, 24, 1393, 147-162.
HARVARD
شایگانی, بیتا, سلامی, امیربهداد, خوچیانی, رامین. (1393). 'مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک', دانش مالی تحلیل اوراق بهادار, 7(24), pp. 147-162.
VANCOUVER
شایگانی, بیتا, سلامی, امیربهداد, خوچیانی, رامین. مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک. دانش مالی تحلیل اوراق بهادار, 1393; 7(24): 147-162.
)