چکیده:
پیشبینی روند قیمت نفت خام و نوسانات آن همواره یکی از چالشهای پیش روی معاملهگران در بازارهای نفتی بوده است. این مقاله به پیشبینی قیمت روزانه نفت خام برنت با یک مدل ترکیبی پیشنهادی میپردازد. نمونه آماری قیمت روزانه نفت خام برنت دریای شمال از ژوئیه سال 2008 تا ژوئیه سال 2016 میباشد که از میان کل قیمتهای روزانه نفت در تمام بازارهای نفتی انتخاب شده است. در این پژوهش، برای پیشبینی مدلی از ترکیب روشهای آماری و هوش مصنوعی (PCA-SVR) ارائه میشود. با توجه به اثبات برتری دقت پیشبینی مدل رگرسیون بردار پشتیبان (SVR)[1] نسبت به سایر روشهای پیشبینی در مطالعات گذشته هدف اصلی در این پژوهش، بهبود پیشبینی رگرسیون بردار پشتیبان با استفاده از پیشپردازش اولیه دادهها به وسیله آنالیز مولفههای اصلی (PCA)[2] است. جهت انجام پژوهش پس از انجام آزمون مانایی، با استفاده از آنالیز مولفههای اصلی متغیرهای ورودی را به مولفههای اصلی که کل پراکندگی دادهها را پوشش میدهد تبدیل نموده و به عنوان ورودی برای مدل پیشبینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان و شبیهسازی آن در نرمافزار متلب اقدام به پیشبینی قیمت روزانه نفت خام برنت نمودیم. به منظور مقایسه عملکرد مدلهای SVR و PCA-SVR از آزمون مقایسات زوجی استفاده نمودیم. نتیجه پژوهش بیانگر این موضوع بود که پیشپردازش اولیه به وسیله آنالیز مولفههای اصلی بر روی دادهها باعث کاهش خطای مدل پیشنهادی گردیده است.
خلاصه ماشینی:
Brooks پیش بینی قیمت هفتگی نفت خام برنت به عنوان یک نفت شاخص با توجه به دشوار بودن شناسایی دقیق الگوهای خطی و غیرخطی در سریهای زمانی اقتصادی و مالی از ترکیب مدلهای خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان استفاده نمود.
در این پژوهش نیز با توجه به اثبات برتری دقت پیش بینی مدل رگرسیون بردار پشتیبان نسبت به سایر روشهای پیش بینی، از آنجایی که متغیرهای زیادی میتوان شناسایی کرد که بر روی قیمت نفت اثر گذار باشد و همچنین به دلیل این که سری زمانی قیمت نفت از یک الگوی خطی پیروی نمیکند، برای کاهش خطای پیش بینی، ترکیبی از روشهای آماری و هوش مصنوعی استفاده شده است بدین معنا که جهت بهبود پیش بینی رگرسیون بردار پشتیبان از پیش پردازش دادهها به وسیله آنالیز مولفه های اصلی استفاده شده است .
با توجه به آزمون مقایسه زوجی معیارهای ارزیابی عملکرد ریشه میانگین مجذور خطا و میانگین قدرمطلق درصد خطا که حاصل مقادیر پیش بینی شده و مقادیر واقعی هر یک از مدلها هستند، نتایج بیانگر این موضوع بودند که در بیشتر موارد مدل ترکیبی خطای کمتری در پیش بینی قیمت نفت خام نسبت به کاربرد مجزای مدلهای خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان دارد.
در این پژوهش از روش تجزیه و تحلیل مولفه های اساسی برای پالایش اولیه دادهها استفاده شده سپس به کمک مدل رگرسیون بردار پشتیبان که نوع خاصی از ماشین های بردار پشتیبان میباشد، به پیش بینی قیمت روزانه نفت خام پرداخته میشود.