دانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Reinforcement Learning Applied to Multi Agent Modelling, the Case of the Iranian Power Marketکاربرد یادگیری تقویتی در یک مدلسازی عاملمحور برای بازار عمدهفروشی برق ایران140999310.22054/jiee.2018.9993FAمحمدرضااصغری اسکوئیگروه علوم رایانه، دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبائی0000-0001-7847-3455فرهادفلاحیپژوهشگر پژوهشگاه نیرو، دانشجوی دکتریمیثمدوستیزادهاستادیار دانشکده فنی و مهندسی دانشگاه لرستانسعیدمشیریدانشیار دانشکده اقتصاد دانشگاه علامه طباطبائیJournal Article20180516With increasing competition in the wholesale Electricity markets and advances in behavioral economics in recent years, the multi-agent modeling approach has been applied widely to simulate the outcome of the markets. The electricity market consists of power generating agents that compete over production in daily auction conducted by an independent system operator (ISO). The market clearing mechanism can be seen as a static game that repeats every hour. In this game, an agent proposes her price for the next day and the ISO chooses the best proposals that minimizes the total costs given the demand and the technical constraints. Agents are also assumed to learn from the outcomes and adjust their biding strategy accordingly. In this paper, we develop an agent-based model for the day-ahead and pay-as-bid electricity market in Iran. The objective is to compare the outcome of the market measured by the agents profit and the time to converge using three different strategies: greedy, random and reinforcement learning. The simulation results indicate that the reinforcement learning leads to higher profits with a faster convergence rate than the other two strategies.مطالعات اخیر بازارهای عمدهفروشی برق عموماً براساس مدلهای چندعاملی است، که در آنها تعادل بازار برپایه رقابت و تعامل عوامل متعدد با یک دیگر به دست میآید. از ویژگیهای اصلی این نوع مدلها، امکان یادگیری عوامل از نتایج رفتار خود و سایرین دریک محیط رقابتی است. در بازار عمدهفروشی برق، هرعامل یک واحد تولیدکننده برق است که به صورت مستقل و هوشمند با سایر عاملها برای عرضه برق با قیمتهای پیشنهادی رقابت میکند. فرآیند قیمتگذاری را میتوان یک بازی ایستا فرض نمود که هرروز تکرار میشود. در این بازی هر عامل قیمت پیشنهادی خود را مستقلا اعلام نموده و بهرهبردار با توجه به تقاضای بار مصرفی و محدودیتها، بهترین پیشنهادها را انتخاب مینماید. عامل به صورت عقلائی عمل نموده و با انتخاب استراتژی مناسب، به دنبال بیشینه نمودن سود بلندمدت خود است. در این راستا، عامل از قدرت یادگیری و بهبود استراتژی قیمتگذاری، که نقش بسیار تعیین کننده در موفقیت عامل دارد، استفاده میکند. یادگیری تقویتی یک روش کلاسیک است که در مدلهای چندعاملی امکان یادگیری مبتنی بر سعی و خطا را فراهم مینماید. هدف این مقاله کاربرد و مطالعه روشهای یادگیری تقویتی در مدل چندعاملی بازار برق ایران و مقایسه آنها با دو استراتژی تصادفی و حریصانه است. در این مطالعه، میزان سود واحدها و زمان رسیدن به حالت تعادل به عنوان ملاک ارزیابی در نظر گرفته شده است. نتایج شبیه سازی نشان میدهد، استراتژی یادگیرنده سود عاملها را به طور معناداری افزایش میدهد و سرعت همگرائی به حالت تعادل را بیشتر میکند.https://jiee.atu.ac.ir/article_9993_12cc07b387a584e06b813671b051b95f.pdfدانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Brent Crude Oil Daily Price Forecast by Combining Principal Components Analysis and Support Vector Regression methodsپیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مؤلفه های اصلی و رگرسیون بردار پشتیبان4160904710.22054/jiee.2018.9047FAالهامحاجی کرمدانشگاه آزاد اسلامی واحد علوم و تحقیقاترویادارابیگروه حسابداری دانشگاه آزاد اسلامی واحد تهران جنوبJournal Article20171016Anticipating process of crude oil prices and its fluctuations volatility has always been one of the challenges the traders face in the exchange oil markets. This study estimates the Brent crude oil daily price forecast with a proposed hybrid model.<br /> The sample is Brent North Sea crude oil daily prices from July 2008 to July 2016 that is selected from the total oil daily prices in all of the oil markets.<br /> In this research, a model for combining statistical and artificial intelligence (PCA-SVR) methods is presented. With regard to the superiority of the accuracy of the prediction of the support vector regression model (SVR) in comparison with other predictive methods in past studies, the main goal in this research is to improve the prediction of the support vector regression using the initial pre-processing of data by principal components analysis (PCA).<br /> To do research, after carrying out a static test, using principal components analysis, the input variables are converted into the principal components that cover the entire data scattering and considered as an input to the prediction model. Then, using supporting vector regression model and simulate it in MATLAB software we predict daily price of Brent crude oil. In order to compare the performance of the SVR and PCA-SVR models, we used the paired comparison test. The result of this study was that the initial pre-processing by means of the principal components analysis on the data gives rise to reducing suggested model errorپیشبینی 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.<br /> <br clear="all" /><br /> <br /> [1]. Support Vector Regression<br /> <br /> <br /> [2]. Principal Components Analyseshttps://jiee.atu.ac.ir/article_9047_f6f2b509ef7db1c0fffccb5714d01c48.pdfدانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Financial asset pricing test in chemical and petrochemical companies: Compare Factor Patternsآزمون قیمت گذاری دارایی های مالی در شرکت های بخش شیمیایی و پتروشیمی: مقایسه الگوهای عاملی6194904810.22054/jiee.2018.9048FAرضاطالبلواستادیار و عضو هئیت علمی گروه اقتصاد نظری، دانشکده اقتصاد، دانشگاه علامه طباطبائی0000-0002-8679-2920حسینشیخیدانشگاه علامه طباطباییJournal Article20180120he purpose of this paper is to test the CAPM and APT pricing model for pricing petrochemical companies in Tehran Stock Exchange. In this regard, seasonal data related to stock returns of 18 active chemical and petrochemical companies in the stock market and some important macroeconomic variables as risk factors in the period 1395-1386 were used. First, the CAPM was tested using the GRS test and then by Fama and Macbeth tests. Then, the factor model for the APT test was using factors including real exchange rate, total stock returns, oil returns, yields of the price index Chemical and petrochemical products, risk-free returns, inflation rate, asset risk, GDP volatility, SMB, and sanction factor.هدف از این مقاله آزمون الگوی قیمت گذاری CAPM و APT برای قیمتگذاری شرکتهای شیمیایی و پتروشیمی فعال در بورس اوراق بهادار تهران است. در این راستا از دادههای فصلی مربوط به بازده سهام 18 شرکت شیمیایی و پتروشیمی فعال در بورس اوراق بهادار و برخی متغیرهای مهم اقتصاد کلان به عنوان عوامل ریسک در دوره 1395-1386 استفاده شده است. ابتدا الگوی CAPM با استفاده از آزمون سری زمانی GRS و سپس با استفاده از آزمون فاما و مکبث مورد آزمون قرار گرفته است. سپس الگوی عاملی برای آزمون APT با استفاده از عواملی شامل نرخ ارز، بازده کل بورس، بازده قیمت نفت، بازده شاخص قیمت محصولات شیمیایی و پتروشیمی، مازاد بازده بدون ریسک، نرخ تورم، ریسک داراییها، نوسانات تولید ناخالص داخلی، عامل اندازه (SMB) و عامل تحریم بررسی شده است. نتایج الگوی CAPM حاکی از عدم برقراری این آزمون در بازار سهام شرکتهای شیمیایی و پتروشیمی است. و همچنین نتایج تئوری قیمتگذاری آربیتراژ (APT) حاکی از برقراری این آزمون در بازار سهام شرکتهای شیمیایی و پتروشیمی است. متغیرهای نرخ ارز، بازده کل بورس، بازده شاخص قیمت محصولات شیمیایی و پتروشیمی و مازاد بازده بدون ریسک معنادار و منابع ریسک سیستماتیک در بازار سهام صنعت پتروشیمی هستند.https://jiee.atu.ac.ir/article_9048_bda94c09baff2318cbef7f5df175f34a.pdfدانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Forcasting The Domestic Iranian Natural Gas Balance: With Using of Hybrid ARDL and ARIMA Modelپیشبینی تراز داخلی گاز طبیعی: با استفاده از مدل ترکیبی ARDL و میانگین متحرک خودهمبسته یکپارچه (ARIMA)95125904910.22054/jiee.2018.9049FAمحمدحسنفطرساستاد اقتصاد، دانشکده اقتصاد، دانشگاه بوعلی سینا همدان0000-0001-6859-5854مصطفیامید علیدانشکده اقتصاد دانشگاه بوعلی سینا همدانامیرمحمدگلوانیکارشناس ارشد اقتصاد، دانشکده اقتصاد، دانشگاه شهید بهشتیJournal Article20171024The aim of this study is to estimate the domestic balance of natural gas per capita in the Iran, as well as its forecast for the period 2017 - 2037. In this study, with employing dynamic models Autoregressive Distributed Lag (ARDL), at first, long-term and short-term elasticity of per capita natural gas demand in Iran for the period 1981-2016 is estimated. Then with using a hybrid ARDL and ARIMA model, we predict the balance natural gas per capita up to the year 2037. The results show that amount of per capita natural gas demand will reach 4177.36 million cubic meters in 2037, as well as the amount of per capita natural gas supply will reach 3417.26 million cubic meters in this years. For responding this excess demand should be adopting policies to increase production or constrainting natural gas demand.هدف از این مطالعه بکارگیری یک مدل ترکیبی جهت تخمین تراز سرانه گازطبیعی کل کشور و همچنین پیشبینی آن برای دوره 1396 - 1415 میباشد. در این مطالعه با استفاده از مدل پویای خودتوضیح با وقفههای توزیعی (ARDL)، کششهای بلندمدت و کوتاهمدت عرضه و تقاضای سرانه گاز طبیعی کل کشور برای دوره 1360-1395 برآورد شده است. سپس با قرار دادن مقادیر پیشبینی شده هر یک از متغیرهای مورد نظر که از مدل ARIMA بدست آمده در مدل ترکیبی ARDL، مقدار تراز سرانه گاز طبیعی تا سال 1415 پیشبینی گردیده است. نتایج پیشبینی بیانگر این است که مقدار تقاضای سرانه گاز طبیعی تا سال 1415 به میزان 36/4177 میلیون مترمکعب خواهد رسید، همچنین در همین سال مقدار عرضه سرانه گاز طبیعی برابر با میزان 26/3417 میلیون مترمکعب خواهد بود. جهت پاسخگویی به این میزان مازاد تقاضا باید سیاستهایی در جهت افزایش تولید یا محدودیت تقاضا اتخاذ گردد.https://jiee.atu.ac.ir/article_9049_356982d3bb355d1456e4283803c8dc01.pdfدانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Relationship between Consumption of Energy Carriers and Value Added in the Iranian Economic Sectors: Granger Causality Test in Heterogeneous Mixed Panelsرابطه بین مصرف حاملهای انرژی و ارزشافزوده بخشهای اقتصادی ایران: آزمون علیت گرنجری در پانلهای مختلط نامتجانس125128905010.22054/jiee.2018.9050FAابوالقاسمگلخنداندانشجوی دکتری اقتصاد، دانشگاه لرستانمحمدعلیزادهاستادیار اقتصاد، دانشگاه لرستانJournal Article20171122This study investigates the causal linkages between consumption of energy carriers and value added in the Iranian economic sectors for the period 1974-2013 by using the granger causality test in heterogeneous mixed panels. For this, the panel causality testing approach, the method developed by Emirmahmutoglu and Kose (2011) based on the vector autoregressive (VAR) model and Wald tests with the country specific bootstrap critical values, is applied. This test, accounts cross dependency and heterogeneity among the members of the panel and also, co-integration between variables. Based on the results, the existence of a unidirectional causality relation of oil and gas to value added and the existence of a bidirectional causality relation between electricity and value added in the service sector and the entire sectors is confirmed. In agriculture sector, there is only a causal relation of electricity on value added. In industry sector, the existence of a bidirectional causality relation between gas and electricity with value added and the existence of a unidirectional causality relation of value added to oil is confirmed. In transportation sector, there is a causal relation of gas and electricity to value added and there is a bidirectional causality relation between the oil and the value added. The results can provide important policy recommendations in planning and explaining energy sector policies at the level sector in country.پژوهش حاضر به بررسی رابطه علیت بین مصرف حاملهای مختلف انرژی و ارزشافزوده در بخشهای اقتصادی ایران، طی دورهی زمانی 1392-1353 با استفاده از آزمون علیت گرنجری در پانلهای مختلط نامتجانس پرداخته است. روش استفاده شده در این پژوهش بر اساس آزمون علیت پانلی که توسط امیرمحموتوگلو و کوز (2011) ارائهشده و مبتنیبر مدل خودرگرسیون برداری (VAR) و آزمونهای والد با مقادیر بحرانی بوتاسترپ خاص هر بخش است، میباشد. این آزمون، همبستگی مقطعی و عدم تجانس بین اعضای پانل و همچنین همانباشتگی بین متغیرهای مورد بررسی را درنظر میگیرد. بر اساس نتایج، وجود رابطه علیت یکطرفه از نفت و گاز به ارزشافزوده و وجود رابطه علیت دوطرفه بین برق و ارزشافزوده در بخش خدمات و کل بخشها تأیید میشود. در بخش کشاورزی تنها وجود رابطه علیت از برق به ارزشافزوده وجود دارد. در بخش صنعت وجود رابطه علیت دوطرفه بین گاز و برق با ارزشافزوده و وجود رابطه علیت یکطرفه از ارزشافزوده به نفت تأیید میشود. در بخش حمل و نقل نیز رابطه علیت یکطرفه از گاز و برق به ارزشافزوده و وجود رابطه علیت دوطرفه بین نفت و ارزشافزوده وجود دارد. نتایج بهدستآمده میتواند توصیههای سیاستی مهمی در برنامهریزی و تبیین سیاستهای بخش انرژی در سطح بخشی کشور داشته باشد. https://jiee.atu.ac.ir/article_9050_f183bf4b3644be251c8ca70097df98b4.pdfدانشگاه علامه طباطبائیپژوهشنامه اقتصاد انرژی ایران2423-595472520171222Introducing an Early Warning System for High Volatility in The Crude Oil OPEC Market: Markov Switching GARCH Approachارائه یک الگوی هشدار پیش از وقوع نوسانات شدید قیمتی در بازار نفت اوپک: رویکرد مارکوف سوئیچینگ گارچ159192905110.22054/jiee.2018.9051FAمحمودمحمدی الموتیدانشجوی کارشناسی ارشد ریاضیات مالی، دانشگاه آیت الله بروجردی (ره)محمد رضاحدادیاستادیار گروه ریاضی، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایرانیونسنادمیاستادیار اقتصاد، دانشگاه آیت الله العظمی بروچردی (ره)0000-0003-0557-0347Journal Article20171118Because of high reliance of Iranian economy to oil revenues, it is affected by the price volatility of the oil market. Therefore, the forecast of the oil price movement is very important at least in two aspects including determining the correct oil price in the government budget and also for controlling the high price volatility for macroeconomic policy makers. Based on the importance of forecasting oil price movement, the purpose of this paper is to present an Early Warning System (EWS) for high oil price volatility in the OPEC crude oil market. This system, by forecasting the probability of staying in high volatility oil price in future periods, give a proper view of the trend of oil prices to policy makers. For this purpose, in the first step, by a Markov Switching GARCH model, the oil price trend and its volatility have been modeled and estimated during the period of 2010-2016. Then, using this model, the transition probability matrix, which involves the probability of staying in the high-volatility and low-volatility regimes, and the probability of switching between the regimes, has been obtained. Based on this matrix, the probability of being in a low-volatility and high-volatility crude oil price have been forecasted. so the policymakers and activists in the oil market can make better decisions to avoid of damaging effects of high oil price volatilityاقتصاد ایران به دلیل اتکای بالا به درآمدهای نفتی، از نوسانات قیمتی بازار نفت تاثیر میپذیرد بنابراین پیشبینی روند حرکتی قیمت نفت هم از جهت تعیین صحیح قیمت نفت در بودجه دولت و هم از جهت مدیریت و کنترل نوسانات شدید قیمتی برای سیاستگذاران اقتصاد کلان از اهمیت زیادی برخوردار است. بنا بر اهیمت پیشبینی روند حرکتی قیمت نفت، هدف این مقاله ارائه یک الگوی هشدار پیش از وقوع برای نوسانات شدید در بازار نفت خام اوپک میباشد. این الگو میتواند با پیشبینی احتمال وقوع نوسانات شدید قیمت نفت در دورههای آتی، دیدی مناسب از روند حرکت قیمت نفت در اختیار سیاستگذار قرار دهد. بدینمنظور در گام نخست با استفاده از مدل مارکوف سوئیچینگ گارچ روند حرکتی قیمت نفت به همراه نوسانات آن برای دوره 2010- 2016 مدلسازی و برآورد شد؛ سپس با استفاده از این مدل، ماتریس احتمالات انتقال که شامل احتمال ماندن در رژیمهای پرنوسان و کم نوسان و احتمال تغییر از رژیم پرنوسان به کمنوسان و برعکس میباشد بدست میآید و مبتنی بر این ماتریس احتمالات شرطی قرار گرفتن در رژیم قیمت نفت کمنوسان و پرنوسان پیشبینی میگردد تا با استفاده از آن سیاستگذاران و فعالان در بازار نفت دید بهتری برای تصمیمگیری پیدا کنند تا بتوانند از اثرات مخرب ناشی از نوسانات شدید قیمت نفت جلوگیری نمایند.https://jiee.atu.ac.ir/article_9051_8cbaa87b53a7cca48f45b8de17002337.pdf