خلاصة:
امروزه بهخاطر قابلیتهای نظریههای آشوب و شبکه عصبی و بهکارگیری این دو مدل در بازارهای مالی بهخصوص بازار فراوردههای نفتی موردتوجه خاصی قرار گرفته است. در این پژوهش، مقادیر قیمت روزانه سهام فراورده نفتی ایران در طی آذر ماه 1386 تا خرداد ماه 1396 موردبررسی قرار گرفته است. با توجه به ماهیت غیرخطی دادههای مالی، نظریه آشوب بهمنظور مطالعه میزان آشوبناکی سری زمانی مورداستفاده قرار گرفته است. نظریه آشوب بر مبنای نمای لیاپانف و بُعد فراکتالی به مطالعه سریهای زمانی ناشی از سیستمهای دینامیکی غیرخطی اقدام میکند. در نظریه آشوب ابتدا با استفاده از نمودارهای لیاپانف و سطح مقطع پوانکاره و اندازهگیری بُعد همبستگی امکان وجود آشوب در سری زمانی ارزش روزانه سهام فراورده نفتی ایران بررسی شده است. در ادامه، با استفاده از تخمین زمان تأخیر بهدستآمده از روش میانگین اطلاعات متقابل و همچنین بُعد محاط با بهکارگیری از الگوریتم نزدیکترین همسایههای کاذب، نمودار لیاپانف ترسیم شده است. نتایج نمودارهای لیاپانف و سطح مقطع پوانکاره دلالت بر وجود آشوب در سری زمانی تحت بررسی دارد. با توجه به اثبات آشوب در این سری زمانی، غیرخطی بودن آن نتیجه گرفته شد؛ بنابراین، برای پیشبینی قیمتهای آتی سهام فراورده نفتی کشور یک شبکه عصبی مناسب طراحی و بهترین الگو انتخاب گردید و آن با ضریب همبستگی 0.99 حاکی از دقت خوب در مدلسازی قیمت این صنایع دارد و میتواند جهت پیشبینی قیمت آتی آن مورداستفاده قرار گیرد.
Today, special attention has been paid to the capabilities of chaos theories and neural networks and the application of these two models in financial markets, especially petroleum products. In this study, daily values of stocks of Iranian petroleum products during December 2007 to June 2016 have been studied. Due to the nonlinear nature of financial data, chaos theory is used to study the chaotic amount of time series. The chaos theory based on Liapanov's exponent and fractal dimension studies the time series caused by nonlinear dynamic systems. In chaos theory, first, using the Lyapanov diagrams and the Poincare surface of section map and measuring the correlation dimension, the possibility of chaos in time series of daily value of oil products in Iran is investigated. Then, the Lyapunov diagram is plotted using the delay time estimation obtained from the method of the average of mutual information and embedding dimension using the algorithm of the false nearest neighbors. The Lyapunov map and the Poincare surface of section indicate a chaos in the investigated time series. According to the provocation of chaos in this time series, its nonlinearity was deduced. Therefore, a suitable neural network was designed and the best model was selected to predict the future prices of petroleum products stock with a correlation coefficient of 0.99831 and the error of the training data is 0.0012 and the error of the test data is 0.002 that indicating good accuracy in modeling the price of these industries and can be used to predict its future price.
ملخص الجهاز:
در نظريه آشوب ابتدا با استفاده از نمودارهاي لياپانف و سطح مقطع پوانکاره و اندازه گيري بعد همبستگي امکان وجود آشوب در سري زماني ارزش روزانه سهام فراورده نفتي ايران بررسي شده است .
با توجه به اثبات آشوب در اين سري زماني، غيرخطي بودن آن نتيجه گرفته شد؛ بنابراين ، براي پيش بيني قيمت هاي آتي سهام فراورده نفتي کشور يک شبکه عصبي مناسب طراحي و بهترين الگو انتخاب گرديد و آن با ضريب همبستگي ٠,٩٩ حاکي از دقت خوب در مدل سازي قيمت اين صنايع دارد و ميتواند جهت پيش بيني قيمت آتي آن مورداستفاده قرار گيرد.
پس از برآورد بزرگ ترين توان لياپانف براي قيمت ، بازده و تلاطمات نتايج نشان داد که آشوب در هردو بازار يعني قبل بحران مالي بين المللي در قيمت و بازده وجود ندارد، ولي شواهد قوي وجود دارد که نشان مي دهد آشوب در نوسانات پس از بحران مالي وجود دارد، يعني آن ها قبل بحران مالي ٢٠٠٨ آشوبي در سري زماني قيمت و بازده هر دو بازار مشاهده ولي پس از اين بحران شواهدي بر وجود آشوب پيدا کرده اند؛ بنابراين بحران بين المللي ديناميکي در نوسانات نفت خام تأثير گذاشته و باعث مي شود کمتر قابل پيش بيني باشند.
شکل ٥ سطح مقطع پوانکاره براي سري زماني صنايع فراورده هاي نفتي به دست آمده که اين نمودار با استفاده از نرم افزار تيزن ٣,١ ترسيم شده است .
“A comparison between structural econometric models, time series and the neural network for predicting exchange rates, Journal of Economic Research (Tahghighat-e-Eghtesadi), 2(40), 181-216.
Keywords Chaos, prediction, Artificial neural network, nonlinear dynamic systems, time series.