نوع مقاله : مقاله پژوهشی

نویسندگان

• سجاد پیری ¹
• زهرا فرشادفر ²

¹ دانشجوی دکتری رشته حسابداری، گروه حسابداری، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران.

² استادیار، گروه حسابداری، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران.

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 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

کلیدواژه‌ها

• انرژی
• شبکه‌های بازگشتی
• شبکه‌عصبی
• نفت‌خام
• یادگیری ماشین

موضوعات

• • مطالعات اقتصادی مرتبط با حامل‌های انرژی (فسیلی، تجدیدپذیر و برق)