چکیده:
از آن جا که نفت خام یک عنصر استراتژیک در بسیاری از صنایع و بازارها می باشد، پیش بینی قیمت و شناسایی روند حرکت آن همواره مورد توجه محققان بوده است. امروزه استفاده از روش های غیرکلاسیک مانند تکنیک های هوش مصنوعی و یادگیری ماشین در مدل سازی و پیش بینی رفتار سیستم های پیچیده بسیار متداول شده است. در سال های اخیر یکی از روش های جدید یادگیری ماشین با نام ماشین بردار پشتیبان (SVM) کاربرد گسترده ای در مسائل رده بندی، رگرسیون و به ویژه پیش بینی سری های زمانی داشته است. این روش که بر اساس نظریه یادگیری آماری ساخته شده است، به دلیل دارا بودن ویژگی های برجسته ای مانند ساده بودن تعبیر هندسی آن، رسیدن به یک جواب عمومی و یکتا، توانایی مدل بندی توابع غیرخطی و همچنین کمینه سازی خطای تعمیم به جای خطای یادگیری، توجه بسیاری از محققان را به خود جلب کرده است. در این مقاله عملکرد روش SVM در پیش بینی بی ثباتی قیمت نفت خام ایران مورد بررسی قرار گرفته و سپس عملکرد این روش با نتایج پیش بینی مدل های GARCH مقایسه شده است. در این تحقیق از داده های ماهانه قیمت نفت خام ایران در دوره زمانی آوریل 1981 تا دسامبر 2011 استفاده شده است. نتایج تحقیق نشان دهنده برتری روش SVM نسبت به مدل هایGARCH ، بر اساس معیارهای MSE، MAE،NMSE و TIC است.
Many researchers are interested in forecasting oil prices and understanding its behavior over time، given the importance of oil as a strategic factor in many industries and markets. Nowadays، non-classic approaches such as Artificial Intelligence and Machine Learning methods are used in modeling and forecasting complex systems. Recently، one of the Machine Learning techniques، entitled Suort Vector Machine، is extensively used in classification، regression and time series forecasting. This method، which is based on statistical learning theory، has attracted the interest of many researchers. This is due to some of its properties such as: simple geometric interpretation، unique general solution، ability to model non-linear behavior and minimization of generalization error instead of training error. In this paper we study and evaluate the ability of SVR in predicting oil price volatility in Iran. We then compare the performance of this model with the GARCH models. In this research، we have used monthly prices of Iranian crude oil for the period April 1981 to December 2011. The results indicate that the SVR method is superior to the GARCH models based on MSE، MAE، NMSE and TIC criteria.
خلاصه ماشینی:
"در این تحقیق از روش RVS برای پیشبینی بیثباتی قیمت نفت خام ایران استفاده و سپس عملکرد آن با مدل متداول HCRAG مقایسه شده است.
eejrenab dna akahchsirvag برای پیادهسازی مدل RVS بعد از تبدیل سری زمانی مالی(قیمت نفت)به سری بازدهی،مقادیر بیثباتی(به تصویر صفحه مراجعه شود)محاسبه و به عنوان دادههای ورودی الگوریتم RVS در نظر گرفته میشود.
جدول 3-آزمون وجود اثرات HCRAG (به تصویر صفحه مراجعه شود) مأخذ:نتایج تحقیق نتایج آزمون نشاندهندهی وجود اثرات HCRAG و مناسب بودن این مدل برای دادههای موجود است و فرض صفر بهطور قوی رد میشود،زیرا مقدار آمارهی آزمون به طور معناداری بزرگتر از مقدار بحرانی توزیع کای دو است.
در این مقاله از مدلهای مختلف HCRAG برای پیشبینی بیثباتی استفاده میشود،با این فرض که(به تصویر صفحه مراجعه شود) دنبالهای از متغیرهای تصادفی مستقل با توزیع نرمال و میانگین شرطی سری بازدهی، مقدار ثابت(به تصویر صفحه مراجعه شود)است.
(به تصویر صفحه مراجعه شود) مأخذ:نتایج تحقیق در این تحقیق از سه مدل HCRAG،RJG و HCRAGE برای پیشبینی بیثباتی نفت خام ایران استفاده شده است.
(به تصویر صفحه مراجعه شود) منبع:نتایج تحقیق همانطور که مشاهده میشود نتایج )1,1(HCRAG و )2,1(HCRAG بسیار نزدیک بههم میباشد و این دو مدل براساس دو معیار ESM و CIT دقت بیشتری نسبت به سایر مدلهای HCRAG دارند و الگوی HCRAGE براساس دو معیار EAM و ESMN عملکرد بهتری نسبت به سایر مدلهای HCRAG نشان میدهد.
5-نتیجهگیری در این تحقیق یکی از الگوریتمهای جدید یادگیری ماشین با نام RVS در پیشبینی بیثباتی قیمت نفت خام ایران استفاده و نتایج پیشبینی با مدلهای مختلف HCRAG مقایسه شده است."