نوع مقاله : مقاله پژوهشی

نویسندگان

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

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

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، 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling of Artificial Intelligence Non-linear Algorithms in Oil Price Forecasting

نویسندگان [English]

  • Zahra Farshadfar 1
  • Sajad Piri 2

1 Department of Accounting,, West Tehran Branch, Islamic Azad University, Tehran, Iran.

2 Ph.D. Student of Accounting, Department of Accounting, West Tehran Branch, Islamic Azad University, Tehran, Iran.

چکیده [English]

High fluctuations in the price of crude oil, as the main source of energy and an important raw material of the global chemical industry, has doubled the importance of accurate estimation and forecasting of its price trend in recent years. The purpose of this applied research, is to increase the ability to predict crude oil prices using non-linear patterns by artificial intelligence. For this purpose, four artificial intelligence networks MLP, RNN, LSTM 3366and GRU have been used and their capabilities compared to each other and the benchmark model, besides their prediction accuracy have been evaluated using the mean squared error method. The studied sample is North Sea Brent crude oil data from Aug 1st 2007 to May 31st 2024 on a daily, monthly and yearly basis.

The results of the research indicate that the network architecture in these models have several advantages in extracting information from the data in order to make more accurate predictions, and the time to obtain future prices is shorter and less error-prone. Also, among the selected non-linear models, GRU has more accurate predictions with less error in different frequencies and in a shorter time.

The results of the research indicate that the network architecture in these models has several advantages in extracting information from the data in order to make more accurate predictions, and the time to obtain future prices is shorter and less error-prone.

کلیدواژه‌ها [English]

  • Crude Oil
  • Energy
  • Machine learning
  • Neural Network
  • Recurrent Networks