خلاصة:
با توجه به اهمیت پیش بینی در حوزه ی مسائل مالی و اقتصادی محققان همواره در تلاشند که از روش های دقیق تری در این زمینه بهره بگیرند تا به درک نسبی بهتری از وضعیت آینده ی بازار دست یافته، از نااطمینانی ها بکاهند. در این مقاله از شبکه ی عصبی GMDH مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیر خطی پویای پیچیده، برای پیش بینی قیمت آمونیاک استفاده شده است. برای اتنخاب متغیرهای اثرگذار بر قیمت آمونیاک از دو روش تحلیل بنیادین و تکنیکی استفاده شده است. روش تحلیل بنیادین با تکیه بر تئوری عرضه و تقاضا و نگرش کلان اقتصادی، همه ی عوامل اثرگذار احتمالی بر قیمت را برای مدل سازی و پیش بینی قیمت به محقق پیشنهاد می کند، سپس با تکیه بر توانایی الگوریتم GMDH در شناسایی متغیرهای زاید، از میان همه ی عوامل اثرگذار احتمالی تنها از عناصر اثرگذارتر بر قیمت آمونیاک استفاده شده است تا پیش بینی های دقیق تر و بدون تورشی ارائه شود. دقت پیش بینی های انجام شده در بازه ی مورد بررسی بیش از 99 درصد است. در روش تحلیل تکنیکی، پیش بینی ها با تکیه بر رفتار گذشته قیمت در همان بازار (در اینجا آمونیاک خاورمیانه) نتایج دقیقی را به دست داده است. برتری شبکه ی عصبی GMDH در دقت پیش بینی قیمت آمونیاک نسبت به روش ARIMA در بخش پایانی مورد تائید قرار گرفته است.
In order to get future information about economic variables، economists have discovered new methods. Large reserves of oil and gas in the Middle East and especially Iran have obtained advantages for these countries. Therefore، the purpose of this study is modeling and forecasting the price of petrochemicals in the Middle East through GMDH neural network method. We focus on a single product، ammonia، which is a petrochemical with natural gas feedstock for which two approaches are taken: fundamental analysis for long-term and technical analysis for short-term. The findings suggest that the natural gas price have important effects on the price of ammonia in the Middle East، despite low natural gas price for ammonia producers in this region. Modeling through technical analysis is satisfactory because of smooth trend line of ammonia price. In the end، it is shown that the GMDH neural network has better predictive power than ARIMA method in predicting ammonia price based on error criteria.
ملخص الجهاز:
"روش Artificial Neural Network Functional Form Outliers برگزیدهی این مقاله برای پیشبینی قیمت آمونیاک، نوع خاصی از شبکههای عصبی موسوم به دسته بندی گروهی دادههای عددی GMDH 1 مبتنی بر الگوریتم ژنتیک است که بر اساس فرآیند خودسازماندهی و ارزیابی دادهها به صورت جداگانه با استفاده از معیار خارجی 2 برای مدل سازیهای پیچیده کاربرد دارد.
Transaction cost Gencay Stengos Franses and Van Griensven Fernandez-Rodriquez Shambora and Rossiter Ivakhnenko and Muller Lemke 3- مدل سازی با استفاده از شبکههای عصبی GMDH در مدل سازی تحلیلی و تئوریک باید تمامی اجزاء سیستم معرفی شود و ارتباط میان اجزاء سیستم برقرار گردد و کل مجموعهی تجزبه و تحلیل شود.
بازهی زمانی در نظر گرفته شده برای انجام مدل سازی به روش تحلیل بنیادین مربوط به ژانویهی سال 2002 تا مارس سال 2007 است که به صورت ماهیانه انتخاب شدهاند؛ زیرا دادههای هفتگی قیمت آمونیاک چندان متأثر از متغیرهای بنیادین (یا ساختاری) نیست.
5- نتیجه گیری با توجه به کاهش قابل توجه RMSE پس از ورود متغیرهای سمت عرضه در تحلیلهای بنیادین، میتوان نتیجه گرفت که اگر چه قیمت گاز در منطقهی خاورمیانه به عنوان هزینهی تولید آمونیاک بر تولید کنندگان آمونیاک خاورمیانه چندان اثر گذار نیست، اما از آنجا که این بازار بین المللی تابع سایر بازارهای بین المللی آمونیاک به ویژه آمریکا است، در نظر گرفتن قیمت در این بازار پیشرو و عوامل مؤثر بر عرضهی آن به مدل سازی کاملتر و پیشبینی دقیقتر همراه با پایداری بیشترکمک میکند."