• 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.
مطالعات اقتصادی مرتبط با حامل‌های انرژی (فسیلی، تجدیدپذیر و برق)
ماندانا شیراوند؛ مهدی ذوالفقاری؛ سمانه عابدی؛ نرگس خسروی نژاد
چکیده
این پژوهش به بررسی رابطه میان شاخص نااطمینانی سیاست اقتصادی جهانی و قیمت نفت خام جهانی می‌پردازد و از ترکیبی از مدل‌های اقتصادسنجی کلاسیک VAR ، BEKK، DCC و تکنیک‌های یادگیری ماشین LSTM، GRU، XGBoost بهره می‌برد. نتایج نشان می‌دهد که بین GEPU و قیمت نفت رابطه پیش‌بینی‌پذیر دوسویه و سرایت نوسانات وجود دارد، اما اثر مستقیم و کوتاه‌مدت شوک‌های ...
بیشتر
این پژوهش به بررسی رابطه میان شاخص نااطمینانی سیاست اقتصادی جهانی و قیمت نفت خام جهانی می‌پردازد و از ترکیبی از مدل‌های اقتصادسنجی کلاسیک VAR ، BEKK، DCC و تکنیک‌های یادگیری ماشین LSTM، GRU، XGBoost بهره می‌برد. نتایج نشان می‌دهد که بین GEPU و قیمت نفت رابطه پیش‌بینی‌پذیر دوسویه و سرایت نوسانات وجود دارد، اما اثر مستقیم و کوتاه‌مدت شوک‌های آنها بر یکدیگر ضعیف و اغلب بیمعنا است. این رابطه بیشتر در سطح همبستگی نوسانات قابلمشاهده بوده و در بلندمدت افزایش قیمت نفت میتواند به افزایش بیثباتی اقتصادی جهانی منجر شود. علیت گرنجر دوسویه بین دو متغیر تأیید شده است، ولی واکنشهای آنی به شوکها در چارچوب VAR عمدتاً معنادار نبودهاند. مدل‌های نوسان محور و تحلیل موجک نشان دادهاند که نوسانات همزمان در دورههای بحران افزایشیافته و سرایت نوسانات بین GEPU و قیمت نفت قابلتوجه است. استفاده از روش‌های پیشرفته یادگیری ماشین توانسته است دقت پیش‌بینی روابط بلندمدت و نویزی میان متغیرها را بهبود بخشد. یافتههای پژوهش بر پیچیدگی و چندبعدی بودن تعامل بین نااطمینانی سیاست اقتصادی جهانی و قیمت نفت تأکید میکند.
• مطالعات اقتصادی مرتبط با حامل‌های انرژی (فسیلی، تجدیدپذیر و برق)
سجاد پیری؛ زهرا فرشادفر
چکیده
نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده‌اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش‌بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش‌بینی قیمت نفت‌خام با استفاده از الگوی‌های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه ...
بیشتر
نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده‌اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش‌بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش‌بینی قیمت نفت‌خام با استفاده از الگوی‌های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه‌مدت و شبکه عصبی واحدهای برگشتی گیتدار مدلسازی شده است سپس توانمندی آنها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش‌بینی آنها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده‌های 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 مدلها نسبت به مدل‌های پیشین، در استخراج اطلاعات از داده‌ها توانمندتر بوده و زمان دستیابی به قیمتهای آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیرخطی، الگوی شبکه بازگشتی گیتدار در فرکانسهای مختلف پیش‌بینی دقیقتر و با خطای کمتری از قیمت نفت را به دست می‌دهد
