چکیده:
امروزه قيمت نفت نقش مهمي را در اقتصاد جهاني ايفا مي كند و به عنوان يك عامل مهم و اثرگذار بر برنامه هاي دولت ها و بخش هاي تجاري و بازرگاني اهميت فراواني دارد. با توجه به اهميت روز افزون نفت در بازارهاي مالي، پيش بيني قيمت نفت خام همواره مورد علاقه بسياري از فعالان بازار و سياستگذاران بوده است. در اين راستا، در اين پژوهش، ضمن بررسي و انجام آزمون غيرخطي براي داده هاي ماهانه قيمت نفت خام، به مدل سازي و پيش بيني قيمت نفت خام در بازارهاي جهاني مي پردازيم. براي اين منظور از روش شناسي رگرسيون غيرخطي انتقال ملايم !supportFootnotes]- >[1] استفاده مي كنيم. همچنين، به منظور مقايسه عملكرد پيش بيني هاي خارج از نمونه، مدل رگرسيون غيرخطي انتقال ملايم بر اساس بهينه سازي الگوريتم ژنتيك، مدل شبكه عصبي مصنوعي supportFootnotes]-->[2] و مدل ARIMA را برآورد مي كنيم. يافته هاي اين پژوهش، تاييدكننده رفتار غيرخطي قيمت نفت خام و عملكرد بهتر مدل هاي غيرخطي نسبت به مدل ARIMAدر پيش بيني خارج از نمونه قيمت نفت خام براي افق 12 ماهه بر اساس معيارهاي RMSE و MAE و DA است.
خلاصه ماشینی:
"بر این اساس ، مـدل هـای بسـیاری برای پیش بینی ، برنامه ریزی و سیاستگذاری در بسیاری از کشورها و سازمان ها طراحی و استفاده شده که فرضیه بازار کارا١ )EMH(، مدل های اتورگرسـیو، فرآینـد بازگشـت بـه میانگین ،٢ خانواده مدل هـای ARCH و GARCH و الگوهـای غیرخطـی و ترکیبـی از انواع روش های موجود در زمینه پیش بینی قیمت و بررسی بی ثباتی قیمت نفت است .
در این مطالعه نیز از روش شناسی رگرسیون غیرخطی انتقال ملایم ، با تابع انتقال لجستیک ، مـدل سـازی بـر اسـاس الگـوریتم ژنتیـک و مـدل شـبکه عصـبی مصنوعی برای پیش بینی قیمت نفت خام استفاده می کنیم .
در جدول ٧، بر اساس نتایج ، مشـاهده مـی شـود کـه مـدل GEN-١ LSTR دارای خطای کمتری در پیش بینی خارج از نمونه سـری مـورد بررسـی بـر اسـاس معیارهـای RMSE و MAE یادشــده بــوده و بــر اســاس معیــار DA مــدل هــای غیرخطــی GEN-LSTR١،ANN و LSTR١ جهت تغییـرات قیمـت نفـت خـام را بـه درسـتی پیش بینی کرده اند و مدل ARIMA در پیش بینی جهت تغییرات قیمت نفت خام ، خطـا دارد.
بر اساس دو معیار RMSE و MAE در پیش بینی های خارج از نمونه مشخص مـی شـود که مدل GEN-LSTR١ در مقایسـه بـا مـدل ANN، LSTR١ و ARIMA عملکـرد بهتـری داشـته و بـر اسـاس معیـار DA مشـخص مـی شـود کـه مـدل هـای غیرخطـی GEN-LSTR١،ANN و LSTR١ جهت تغییـرات قیمـت نفـت خـام را بـه درسـتی پیش بینی کرده اند و الگوی غیرخطی الگوریتم ژنتیک مدلی مناسب تر برای بررسی رفتـار قیمت نفت خام و پیش بینی مقادیر آتی آن است .
Daily Crude Oil Price Forecasting Model Using ARIMA, Generalized Autoregressive Conditional Heteroscedastic and Support Vector Machines, American Journal of Applied Sciences, Vol. 11, No. 3, pp."