Skip to main content
فهرست مقالات

آزمون آشوب و پیش بینی قیمت های آتی نفت خام

نویسنده:

علمی-پژوهشی (وزارت علوم)/ISC (24 صفحه - از 67 تا 90)

کلیدواژه ها :

آشوب ،ARMA ،شبکه های عصبی مصنوعی ،قیمت نفت خام ،مدل های غیر خطی ،GARCH

کلید واژه های ماشینی : قیمت نفت، ساختار سیستم مولد قیمت نفت، آشوب، آزمون آشوب و پیش‌بینی قیمت، قیمت نفت خام، آزمون، مدل، تخمین نمای لیاپانوف، مدل شبکه عصبی، مدل ARMA

این مقاله به امکان سنجی وجود آشوب در ساختار سیستم مولد قیمت نفت خام شاخصWTI طی دوره 4 آوریل 1983 تا 13 ژانویه 2003 می پردازد. به این منظور از تخمین نمای لیاپانوف و بعد همبستگی به عنوان آزمون های مستقیم آشوب و آزمون های BDS و شبکه عصبی جهت بررسی غیر خطی بودن ساختار سیستم استفاده شده است. نتایج تخمین نمای لیاپانوف و بعد همبستگی، وجود آشوب در سری زمانی را تایید کرده و تخمین آماره BDS و شبکه عصبی، بر غیرخطی بودن سیستم مولد قیمت روزانه نفت اشاره داشتند. در بخش پایانی یک مدل شبکه عصبی مصنوعی برای پیش بینی قیمت های آتی نفت خام طراحی و با نتایج پیش بینی مدل خطی ARMA و غیر خطی GARCH مقایسه شد. نتایج حاصل نشان داد مدل شبکه عصبی مورد استفاده نسبت به دو مدل ARMA و GARCH از قدرت پیش بینی بهتری برخوردار است.

خلاصه ماشینی:

"به این منظور از تخمین نمای لیاپانوف و بعد همبستگی به عنوان آزمون‌هایمستقیم آشوب و آزمون‌های BDS و شبکه عصبی جهت بررسی غیر خطی بودن ساختار سیستم استفاده شده است. در تفسیر مقادیر محاسبه شدۀ آمارۀ BDS برای پسماندهای مدل خطی ARMA باید گفت که اگر به ازایمقادیر کوچک(به تصویر صفحه مراجعه شود)نتوان فرض صفر را رد کرد ولی به ازای مقادیر بزرگتر،فرض صفر رد شود،می‌تواننتیجه گرفت که سری زمانی به مدل‌های غیر خطی تعلق دارد و با نویز همراه است (Media,1992) (1). آزمون BDS روی پسماند مدل‌های ARMA و GARCH برای قیمت نفت(1983-2003) (به تصویر صفحه مراجعه شود)در این جدول مقدار(به تصویر صفحه مراجعه شود)برابر با 0/5،1 و 1/5 برابر انحراف استاندارد سری در نظر گرفته شده است،مقداربحرانی معادل 1/645 در سطح 10 درصد است. نتایج آزمون شبکۀ عصبی برای بررسی ساختار غیر خطی قیمت نفت(1998-2003) (به تصویر صفحه مراجعه شود)همان طور که ارقام جدول نشان می‌دهند،فرض صفر آزمون که دلالت بر خطی بودن سری دارد،درسطح 5% رد می‌شود و این موضوع با نتایج حاصل از آزمون BDS سازگار است. خروجییک شبکۀ عصبی که برای پیش‌بینی یک سری زمانی از آن استفاده می‌شود را می‌توان به شکل زیرنشان داد: (به تصویر صفحه مراجعه شود)به طوری که:(به تصویر صفحه مراجعه شود)مقدار پیش‌بینی متغیر در زمان t ، l بعد بردار ورودی یا تعداد وقفه‌هایی است که درمدل وارد شده و(به تصویر صفحه مراجعه شود)تابعی است غیر خطی. پیش‌بینی پویای مدل ARMA برای دوره زمانی ژوئن 2000 تا ژانویه 2003 (به تصویر صفحه مراجعه شود) تیجه‌گیری به دلیل وجود نوسانات بسیار زیاد و پیچیده،اغلب فرایند مولد سری زمانی قیمت نفت خام به صورتفرایندی تصادفی در نظر گرفته می‌شود."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.