نوع مقاله : مقاله پژوهشی

نویسندگان

• الهام حاجی کرم ¹
• رویا دارابی ²

¹ دانشگاه آزاد اسلامی واحد علوم و تحقیقات

² گروه حسابداری دانشگاه آزاد اسلامی واحد تهران جنوب

چکیده

پیش­بینی روند قیمت نفت خام و نوسانات آن همواره یکی از چالش­های پیش روی معامله­گران در بازارهای نفتی بوده است. این مقاله به پیش­بینی قیمت روزانه نفت خام برنت با یک مدل ترکیبی پیشنهادی می­پردازد. نمونه آماری قیمت روزانه نفت خام برنت دریای شمال از ژوئیه سال 2008 تا ژوئیه سال 2016 می­باشد که از میان کل قیمت­های روزانه نفت در تمام بازارهای نفتی انتخاب شده است. در این پژوهش، برای پیش­بینی مدلی از ترکیب روش­های آماری و هوش مصنوعی (PCA-SVR) ارائه می­شود. با توجه به اثبات برتری دقت پیش­بینی مدل رگرسیون بردار پشتیبان (SVR)[1] نسبت به سایر روش­های پیش­بینی در مطالعات گذشته هدف اصلی در این پژوهش، بهبود پیش­بینی رگرسیون بردار پشتیبان با استفاده از پیش­پردازش اولیه داده­ها به وسیله آنالیز مولفه­های اصلی (PCA)[2] است. جهت انجام پژوهش پس از انجام آزمون مانایی، با استفاده از آنالیز مولفه­های اصلی متغیرهای ورودی را به مولفه­های اصلی که کل پراکندگی داده­ها را پوشش می­دهد تبدیل نموده و به عنوان ورودی برای مدل پیش­بینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان و شبیه­سازی آن در نرم­افزار متلب اقدام به پیش­بینی قیمت روزانه نفت خام برنت نمودیم. به منظور مقایسه عملکرد مدل­های SVR و PCA-SVR از آزمون مقایسات زوجی استفاده نمودیم. نتیجه پژوهش بیانگر این موضوع بود که پیش­پردازش اولیه به وسیله آنالیز مولفه­های اصلی بر روی داده­ها باعث کاهش خطای مدل پیشنهادی گردیده است.



[1]. Support Vector Regression


[2]. Principal Components Analyses

کلیدواژه‌ها

• آنالیز مولفه‌های اصلی
• رگرسیون بردار پشتیبان
• مدل ترکیبی
• نفت خام

عنوان مقاله [English]

Brent Crude Oil Daily Price Forecast by Combining Principal Components Analysis and Support Vector Regression methods

نویسندگان [English]

• Elham Hajikaram ¹
• Roya Darabi ²

¹ azad uni

² Azad uni

چکیده [English]

Anticipating process of crude oil prices and its fluctuations volatility has always been one of the challenges the traders face in the exchange oil markets. This study estimates the Brent crude oil daily price forecast with a proposed hybrid model.
The sample is Brent North Sea crude oil daily prices from July 2008 to July 2016 that is selected from the total oil daily prices in all of the oil markets.
In this research, a model for combining statistical and artificial intelligence (PCA-SVR) methods is presented. With regard to the superiority of the accuracy of the prediction of the support vector regression model (SVR) in comparison with other predictive methods in past studies, the main goal in this research is to improve the prediction of the support vector regression using the initial pre-processing of data by principal components analysis (PCA).
To do research, after carrying out a static test, using principal components analysis, the input variables are converted into the principal components that cover the entire data scattering and considered as an input to the prediction model. Then, using supporting vector regression model and simulate it in MATLAB software we predict daily price of Brent crude oil. In order to compare the performance of the SVR and PCA-SVR models, we used the paired comparison test. The result of this study was that the initial pre-processing by means of the principal components analysis on the data gives rise to reducing suggested model error

کلیدواژه‌ها [English]

• Principal Components Analysis
• Support Vector Regression
• hybrid model
• crude oil