چکیده:
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.
The movements in oil prices are complex and، therefore، seem to be unpredictable. The traditional linear structural models have not been promising when applied to forecasting، particularly in the case of complex series such as oil prices. Although linear and nonlinear time series models have done much better job in forecasting oil prices، there is yet room for an improvement. If the data generating process is nonlinear، applying linear models could result in misleading forecasts. Model specification in nonlinear modeling can also be very case dependent and time-consuming.
In this paper، we model and forecast daily futures oil price، listed in NYMEX، applying ARIMA، and GARCH models، for the period April June 1983 – Jan. 2003. Then، we test for chaos using BDS، Lyapunov exponent، Neural Networks، and Embedding Dimension methods. Finally، we will set up a nonlinear and flexible ANN model to forecast the series. Since the tests for chaos indicate that the oil price in futures markets is chaotic، the ANN model should make better forecasts. The forecasts comparison among the models approves that.
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."