الهام حاجی کرم؛ رویا دارابی
چکیده
پیشبینی 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 ...
بیشتر
پیشبینی 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. [1]. Support Vector Regression [2]. Principal Components Analyses