نوع مقاله : مقاله پژوهشی

نویسندگان

• ماندانا شیراوند ¹
• مهدی ذوالفقاری ²
• سمانه عابدی ³
• نرگس خسروی نژاد ⁴

¹ دانشگاه تربیت مدرس

² استادیارعلوم اقتصادی ،دانشکده مدیریت و اقتصاد ، دانشگاه تربیت مدرس ،تهران ، ایران

³ دانشیار علوم اقتصادی ، دانشکده اقتصاد،دانشگاه علامه طباطبایی،تهران ، ایران

⁴ فارغ التحصیل کارشناسی ارشد علوم اقتصادی ،دانشکده اقتصاد، دانشگاه الزهرا ، تهران ،ایران

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 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.

کلیدواژه‌ها

• نوسانات قیمت نفت
• تحلیل موجک
• شبکه‌های عصبی عمیق
• یادگیری ماشین
• نااطمینانی اقتصادی

موضوعات

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

عنوان مقاله [English]

How Do Global Economic Uncertainty and the Oil Market Affect Each Other? A Hybrid Approach Using Machine Learning and Econometrics for Improved Forecasting

نویسندگان [English]

• Mandana Shiravand ¹
• mahdi zolfaghari ²
• samaneh abedi ³
• narges khosravinejad ⁴

¹ tarbiat modares university

² Assistant Professor of Economics, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran

³ Associate Professor, Faculty of Economics, Allameh Tabataba’i University

⁴ Graduated Master's degree in Economics, Faculty of Economics, Alzahra University, Tehran, Iran.

چکیده [English]

This study investigates the relationship between the Global Economic Policy Uncertainty (GEPU) index and global crude oil prices, employing a combination of classical econometric models—such as VAR, BEKK, and DCC—and advanced machine learning techniques including LSTM, GRU, and XGBoost. The results indicate a bidirectional and predictable relationship between GEPU and oil prices, along with volatility spillovers. However, the immediate and short-term effects of shocks between the two variables are generally weak and often statistically insignificant. The relationship is more evident at the level of volatility correlation, and in the long run, rising oil prices can contribute to increased global economic instability. Bidirectional Granger causality between the two variables is confirmed, yet impulse responses within the VAR framework are largely insignificant. Volatility-based models and wavelet analysis reveal that co-movements in volatility intensify during crisis periods, and volatility spillovers between GEPU and oil prices are substantial. The application of advanced machine learning methods enhances the accuracy of forecasting the long-term and noisy relationships between the variables. The findings underscore the complexity and multidimensional nature of the interaction between global economic policy uncertainty and oil prices.

کلیدواژه‌ها [English]

• Oil Price Volatility
• Wavelet Analysis
• Deep Neural Networks
• Machine Learning
• Economic Uncertainty