• مطالعات اقتصادی مرتبط با حاملهای انرژی (فسیلی، تجدیدپذیر و برق)
زهرا فرشادفر؛ سجاد پیری
چکیده
نوسانات زیاد قیمت نفت خام بعنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دو چندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیر خطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، ...
بیشتر
نوسانات زیاد قیمت نفت خام بعنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دو چندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیر خطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه مدت و شبکه عصبی واحدهای برگشتی گیت دار مدلسازی شده است سپس توانمندی آنها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش بینی آنها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده های نفت خام برنت دریای شمال از تاریخ 01/08/2007 لغایت 31/ 05/2024 به صورت روزانه و ماهانه و سالانه است.
نتایج پژوهش نشان میدهد که معماری شبکه در این مدل ها نسبت به مدلهای پیشین، در استخراج اطلاعات از داده ها توانمند تر بوده و زمان دستیابی به قیمت های آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیر خطی، الگوی GRU در فرکانس های مختلف پیش بینی دقیق تر و با خطای کمتری از قیمت نفت را بدست می دهد.
• سیاستگذاریهای اقتصادی و مالی در حوزههای فوقالذکر در سطوح ملی، منطقهای و جهانی
رضا طالبلو؛ پریسا مهاجری
چکیده
مقاله حاضر به بررسی کاربرد الگوهای خانواده شبکه عصبی بازگشتی (مشتمل بر RNN، LSTM و GRU) در پیشبینی شاخص صنایع بورسی انرژی با استفاده از دادههای سری زمانی از 1 مه 2020 تا 1 مه 2024 پرداخته است. دادههای روزانه به دو قسمت دوره آموزش یا یادگیری (80 درصد) و دوره آزمون (20 درصد) تقسیم شدند و در گام اول، معماری بهینه الگوها (برآورد ابرپارامترها) برای ...
بیشتر
مقاله حاضر به بررسی کاربرد الگوهای خانواده شبکه عصبی بازگشتی (مشتمل بر RNN، LSTM و GRU) در پیشبینی شاخص صنایع بورسی انرژی با استفاده از دادههای سری زمانی از 1 مه 2020 تا 1 مه 2024 پرداخته است. دادههای روزانه به دو قسمت دوره آموزش یا یادگیری (80 درصد) و دوره آزمون (20 درصد) تقسیم شدند و در گام اول، معماری بهینه الگوها (برآورد ابرپارامترها) برای پیشبینی 1، 2، 5 و 20 روز کاری با استفاده از دادههای دوره یادگیری انجام شد و سپس، خطاهای پیشبینی سه الگوی غیرخطی یادگیری ماشین با الگوی خطی اقتصادسنجی ARIMA در افقهای مختلف زمانی مقایسه شدند. یافتهها در دو حوزه اعتبارسنجی متقابل مدلهای یادگیری ماشین و همچنین خطای پیشبینی حاکی از آن است که: نخست، با افزایش افق پیشبینی، اندازه رسته لازم برای حصول به بهترین پیشبینی برای هر سه الگوی یادگیری ماشین کاهش مییابد و هر چه اندازه حجم نمونه ورودی یادگیری بزرگتر باشد، اندازه رسته کوچکتر خواهد بود. دوم، در افقهای پیشبینی کوتاهمدت 1، 2 و 5 روز کاری، مدلهای یادگیری ماشین خصوصاً LSTM، خطای پیشبینی کمتری در مقایسه با ARIMA دارند، درحالیکه در افق پیشبینی 20 روز کاری (1 ماه)، دقت پیشبینی ARIMA نزدیک به مدلهای غیرخطی هوش مصنوعی میشود. سوم، به موازات با افزایش افق پیشبینی، بر مقدار خطا افزوده میشود به طوریکه دقت پیشبینی از حدود 5/98 درصد (برای افق 1 روزه) به 5/92 درصد (برای افق 20 روزه) کاهش مییابد. چهارم، انتخاب روش مناسب در پیشبینی شاخص صنایع بورسی انرژی، بستگی به افق پیشبینی و مشخصات دادهها دارد.