فرناز برزین پور - استادیار دانشکده مهندسی صنایع دانشگاه علم و صنعت، ایران
سیدبابک ابراهیمی - دانشجوی دکترای مهندسی صنایع، دانشگاه علم و صنعت، ایران
سید محمد هاشمی نژاد - دانشجوی دکترای مدیریت مالی دانشگاه تهران، ایران
حامد نصر اصفهانی - کارشناسی ارشد مهندسی و مدیریت ساخت دانشگاه علم و صنعت، ایران

داده های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری های زمانی مالی با تناوب بالا می شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون R/S و GPH تایید می شود. در ادامه، دقت مدل های پیش بینی سری های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلندمدت را در مدل سازی سری زمانی در نظر نمی گیرند و مدل هایی مثل ARFIMA و FIGARCH، که این ویژگی را مدنظر قرار می دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری های زمانی فازی وزن دار می-باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (RMSE) در بازه های زمانی مختلف مورد مقایسه قرار می گیرد. نتایج حاصل نشان می دهند که روش فراابتکاری ارایه شده در تمامی بازه های زمانی نتیجه بهتری از مدل های متداول اقتصادسنجی ارایه می دهد.

بازده, تلاطم, جستجوی هارمونی, حافظه بلندمدت