2009
DOI: 10.3923/jas.2009.3641.3651
|View full text |Cite
|
Sign up to set email alerts
|

Comparison of ANFIS, ANN, GARCH and ARIMA Techniques to Exchange Rate Forecasting

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1
1
1

Citation Types

1
11
0
2

Year Published

2011
2011
2023
2023

Publication Types

Select...
7
1

Relationship

0
8

Authors

Journals

citations
Cited by 29 publications
(14 citation statements)
references
References 20 publications
1
11
0
2
Order By: Relevance
“…Model Autoregressive Conditional Heteroscedasticity (ARCH) diusulkan oleh Engle (1982) dan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) yang dikembangkan oleh Bollerslev (1986) merupakan model varians yang populer. Model ARIMA-GARCH telah banyak diterapkan pada penelitian terkait dengan prediksi data runtun waktu nonlinear Fahimifard et al (2009). Model tersebut masih mempunyai beberapa kelemahan ketika digunakan untuk prediksi data non-linear, karena runtun waktu tersebut tidak cocok dengan fenomena teoritis yang dan juga tidak dapat menangkap etakpastian data.…”
Section: Pendahuluanunclassified
See 1 more Smart Citation
“…Model Autoregressive Conditional Heteroscedasticity (ARCH) diusulkan oleh Engle (1982) dan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) yang dikembangkan oleh Bollerslev (1986) merupakan model varians yang populer. Model ARIMA-GARCH telah banyak diterapkan pada penelitian terkait dengan prediksi data runtun waktu nonlinear Fahimifard et al (2009). Model tersebut masih mempunyai beberapa kelemahan ketika digunakan untuk prediksi data non-linear, karena runtun waktu tersebut tidak cocok dengan fenomena teoritis yang dan juga tidak dapat menangkap etakpastian data.…”
Section: Pendahuluanunclassified
“…Pada beberapa tahun terakhir, model alternatif telah dikembangkan untuk menganalisis data runtun waktu nonlinear antara lain Neural Networks (NN) oleh Fausset (1994); Haykin (1999)), fuzzy system dan hibridanya (Jang et al, 1997). ANFIS yang menggabungkan antara NN dan fuzzy system telah diimplementasikan dalam berbagai bidang penelitian runtun waktu antara lain aplikasi ANFIS berdasarkan singular spectrum analysis untuk prediksi chaotic time series oleh Abdollahzade et al (2015); prediksi chaotic time series menggunakan ANFIS oleh Behmanesh et al (2014); prediksi runtun waktu fuzzy oleh Cheng et al (2016); pengembangan pendekatan baru untuk prediksi kenaikan harga minyak (Mombeini et al, 2014); computational intelligence untuk prediksi chaotic time series; pemodelan temperatur minimum oleh Daneshmand et al (2015); prediksi return saham oleh Wei et al (2011); prediksi volatilitas finansial oleh Luna and Ballini (2012); prediksi nilai tukar valuta asing oleh Fahimifard et al (2009); dan prediksi fluktuasi tinggi danau menggunakan model ensembles ANN dan ANFIS (Talebizadeh, 2011). Sebagian besar penelitian tersebut menyimpulkan bahwa ANFIS lebih baik dari metode yang lain.…”
Section: Pendahuluanunclassified
“…During training, network's weights and biases are iteratively adjusted to minimize the network performance function using mean squares error, mse. The training algorithm used in our study is Leverberg-Marquardt (trainlm) because this algorithm appears to be the fastest method for training moderate-sized feed-forward neural networks and it is also very efficient (Fahimifard et al, 2009). We then apply an early stopping technique to avoid overtraining the neural networks and to improve generalization of the networks.…”
Section: Ann Applicationmentioning
confidence: 99%
“…The volatility model that called generalized autoregressive conditional heteroscedasticity (GARCH) proposed by Bollerslev [5]. Application of hybrid ARIMA-GARCH has been done in research for non-linear and non-stationary data [6]. Unfortunately, the model still has an advantages, because it cannot capture the uncertainty when implemented for non-linear and non-stationary data [7,8].…”
Section: Introductionmentioning
confidence: 99%