چکیده:
در این پژوهش از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک بهعنوان ابزاری با قابلیت بالا در مدلسازی سیستمهای غیر خطی پویای پیچیده،برای پیشبینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی،استفاده کردهایم.متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی)بر قیمت بنزین و در روش تحلیل تکنیکی شامل میانگینهای متحرک کوتاه و بلندمدت است.نتایج نشاندهنده دقت بیش از 96 درصد پیشبینی و پایداری روش قیاسی و بیش از 99 درصد تحلیل تکنیکی است.اثر روز دوشنبه بهعنوان یک معیار تحلیل تکنیکی در روش قیاسی،تأیید شده است.همچنین،در مقایسه معیارهای خطا،دقت پیشبینیهای شبکه عصبی GMDH بهطور معناداری از الگوی رگرسیونی بهتر است.
In this paper، we use GMDH neural network based on Genetic Algorithm to model and forecast the price of gasoline using two approaches; Deductive Method and Technical Analysis. The results of deductive method indicate that the accuracy of prediction could reach up to 96% and in technical analysis could reach up to 99%. Furthermore the comparison reveals that the GMDH neural networks model consistently outperforms the regression model used in this study.
خلاصه ماشینی:
"در این پژوهش،سری زمانی قیمت بنزین با استفاده از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک،با دو روش قیاسی4و قواعد تحلیل تکنیکی5با دو سری ورودی جداگانه،شامل تمام عوامل مؤثر بر قیمت بنزین برای روش اول و میانگینهای متحرک کوتاه مدت و بلندمدت برای روش دوم را مدلسازی و پیشبینی کردهایم.
بررسی دقت پیشبینی مدل برآورد شده در روش قیاسی برای ماههای آتی (بهتصویرصفحهمراجعهشود) و میزان درصد خطای پیشبینی براساس رابطه زیر محاسبه میشود: (بهتصویرصفحهمراجعهشود) باتوجه به آنکه دقت پیشبینیهای مدل،بیش از 87/96 درصد است،میتوان گفت که این مدل قادر به توضیح تغییرات سیستماتیک در بازار بنزین سنگاپور بوده و هرچه دوره زمانی پیشبینی بیشتر شود،دقت پیشبینیها افزایش و RMSE کاهش مییابد.
مقایسه مقادیر واقعی و پیشبینی به دست آمده از رگرسیون معمولی (بهتصویرصفحهمراجعهشود) باتوجه به نتایج به دست آمده از رگرسیون معمولی میتوان گفت اگر برآوردهای رگرسیونی قادر به تصریح متغیرهای اثرگذار بر قیمت بنزین سنگاپور و همچنین،روابط غیر خطی حاکم میان این متغیرها میبود،همچنان دقت این روشها در پیشبینی قیمت بنزین در مقایسه با شبکه عصبی GMDH ، 50 درصد(32/5-روش رگرسیون معمولی،57/2-روش GMDH )کمتر است.
نتیجهگیری در این پژوهش،مدلسازی و پیشبینی قیمت بنزین را با استفاده از شبکه عصبی GMDH مبتنی بر الگوریتم ژنتیک برای دادههای روزانه بورس بنزین سنگاپور(2007-2006)با دو روش قیاسی و تحلیل تکنیکی انجام دادهایم.
نتایج روش دوم که ورودیهای مدل براساس قواعد تحلیل تکنیکی شامل میانگینهای متحرک کوتاه مدت و بلندمدت و تفاوت آنهاست(9 ورودی)،نشان از تأثیر 7 ورودی بر متغیر هدف و نیز دقت بیش از 99 درصد پیشبینی و پایداری روند حرکت قیمت روزانه بنزین سنگاپور دارد."