خلاصة:
نفت بهعنوان بزرگترین منبع تامین انرژی در جهان و بهدلیل نقش آن در اقتصاد کشورهای تولید کننده، حائز اهمیت بسیار است. لذا شناخت پارامترهای مختلف تاثیرگذار بر بازار نفت برای این کشورها، ضروری به نظر می رسد. در این راستا، این تحقیق به پیش بینی قیمت بهعنوان یک متغیر مهم از بازار جهانی نفت، با استفاده از روش شبکه های عصبی مصنوعی و نیز روش اقتصادسنجی ARIMA می پردازد. لازم به ذکر است که این پیشبینیها بهصورت پویا انجام شده اند. از یک سو نتایج پیش بینی های یک گام به جلو تا ده گام به جلو با استفاده از روش شبکه های عصبی در مقایسه با روش ARIMA، حاکی از خطای کمتر روش شبکه های عصبی است و از سوی دیگر نتایج پیش بینی های شبکههای عصبی نشان می دهد که با اضافه کردن ذخیره سازی های کشورهای OECD بهعنوان یک ورودی دیگر در مدل و انجام یک پیش بینی دو متغیره (برای اولین بار در ایران)، خطای پیش بینی های قیمت نفت کاهش مییابد.
On one hand، oil is the greatest energy resource in the world and، on the other hand، because of the role of oil revenue in the economic of oil producer countries، such as Iran،it is vital for these countries. So it is necessary to recognize different affective parameters on oil market for these countries. In this research، we try to forecast oil price as an important variable in world wide oil market by using neural networks and ARIMA model. The results of dynamic forecasts have shown that in all cases neural network has better results than ARIMA model. In addition، the results of this research have shown that by use of OECD inventories as an added input in model and doing a bivariate forecasting (for the first time in Iran) the error of oil prices forecasts will reduce.
ملخص الجهاز:
در اين راستا، اين تحقيق به پيشبيني قيمت بهعنوان يک متغير مهم از بازار جهاني نفت، با استفاده از روش شبکههاي عصبي مصنوعي و نيز روش اقتصادسنجي ARIMA ميپردازد.
از يک سو نتايج پيشبينيهاي يک گام بهجلو تا ده گام به جلو با استفاده از روش شبکههاي عصبي در مقايسه با روش ARIMA، حاکي از خطاي کمتر روش شبکههاي عصبي است و از سوي ديگر نتايج پيشبينيهاي شبکههاي عصبي نشان ميدهد که با اضافه كردن ذخيرهسازيهاي کشورهاي OECD بهعنوان يک ورودي ديگر در مدل و انجام يک پيشبيني دو متغيره (براي اولين بار در ايران)، خطاي پيشبينيهاي قيمت نفت کاهش مييابد .
به سخن ديگر شبکههاي عصبي مصنوعي بهعنوان يک سيستم هوشمند، ميتوانند روابط خطي و غيرخطي بين وروديها و خروجيها را بر اساس دادههاي آموزش تشخيص داده و روابط بنيادي بين آنها را شناسايي كنند و سپس روابط کشف شده را به ساير دادهها تعميم دهند بهگونهاي که با طراحي مناسب معماري شبکة عصبي و انتخاب دادههاي آموزش مناسب، ميتوان به ساختاري دست يافت که توانايي پيشبيني سري زماني را داشته باشد.
بدين ترتيب در اين مقاله دو شبکة عصبي مختلف طراحي خواهيم كرد که بتوانند قيمت نفتخام را به نحو مناسبي پيشبيني كنند و براي آزمون قدرت شبکههاي عصبي بهعنوان يک مدل غيرخطي در پيشبيني قيمت نفتخام، نتايج پيشبيني اين مدل را بر اساس معيار RMSE، با نتايج روش اقتصادسنجي ARIMA مقايسه ميکنيم.
در اين تحقيق علاوه بر شبکههاي عصبي، از مدل ARIMA نيز براي پيشبيني قيمت نفتخام استفاده شده است.