پیش بینی قیمت و نوسانات قیمت نفت تک محموله (spot) ایران با استفاده از مدل های arima، garch و شبکه عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه علامه طباطبایی - دانشکده اقتصاد
- نویسنده عباس معمارزاده
- استاد راهنما علی امامی میبدی حمید آماده
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1391
چکیده
چکیده پیش بینی قیمت نفت خام نقش مهمی در بهینه سازی تولید، بازاریابی و استراتژی بازار دارد. علاوه بر این موارد، نقش موثری در سیاست های دولت بازی می کند، چرا که دولت سیاست های خود را فقط نه بر مبنای وضع موجود، بلکه بر مبنای پیش بینی های کوتاه مدت و بلند مدت از متغیرهای کلیدی اقتصادی از جمله قیمت نفت تدوین کرده و به اجرا می گذارد. هدف از انجام این مطالعه مدل سازی و پیش بینی قیمت نفت تک محموله (spot) ایران با استفاده از مدل های شبکه عصبی مصنوعی، arima و garch است. ابتدا به دلیل وجود بحران مالی سال 2008 و افت شدید قیمت ها در آن دوره زمانی، داده ها به دو زیر مجموعه تقسیم شده اند. پیش بینی های انجام شده در این تحقیق به صورت درون نمونه ای و ایستا بوده به گونه ای که هر زیر بازه از داده ها به دو مجموعه داده های تخمین و داده های پیش بینی تقسیم شده اند. افق پیش بینی به صورت یک دوره به جلو و به مدت یک ماه می باشد. در این مطالعه، مدل هایی که برای پیش-بینی قیمت نفت تک محموله ایران انتخاب شده است برای بازه اول و دوم زمانی به ترتیب عبارتند از: arima(6,1,6) و arima(10,1,6). این دو مدل پیش بینی های منطقی و قابل قبولی را ارائه کردند. مدل های garch انتخابی برای این مطالعه برای هر دو بازه زمانی garch(1,1) بوده است. سپس داده ها با استفاده از شبکه های عصبی مصنوعی مدل سازی شده اند. برای بازه اول زمانی یک شبکه عصبی با 6 نرون در لایه ورودی، 9 نرون در لایه مخفی و یک نرون در لایه مخفی و برای بازه دوم زمانی یک شبکه عصبی با 10 نرون در لایه ورودی، 8 نرون در لایه مخفی و یک نرون در لایه خروجی به عنوان شبکه های بهینه انتخاب شده است. در پایان عملکرد این سه مدل با یکدیگر مقایسه شده است. برای مقایسه این مدل ها از معیارهای rmse، mae و شاخص تایل استفاده شده که مدل garch مقادیر کمتری نسبت به مدل arima داشته است و شبکه عصبی در تمامی این معیارها دارای مقادیر کمتر در مقایسه با مدل های دیگر بوده است. کلمات کلیدی: شبکه های عصبی، arima، garch، پیش بینی، قیمت نفت تک محموله (spot) طبقه بندی jel: c53, e37, q30
منابع مشابه
پیش بینی قیمت نفت با دو روش arima و شبکه های عصبی مصنوعی
توانایی کمنظیر شبکههای عصبی مصنوعی به عنوان ابزاری قدرتمند برای تحلیل و برآورد در حوزه علوم تجربی و مهندسی موجب شد تا مورد توجه اقتصاددانان قرار گیرد. در این پژوهش، پس از مرور پژوهشهای انجامشده در مورد توانایی پیشبینی مدلهای خود توضیح جمعی میانگین متحرک (arima)[1]و شبکههای عصبی مصنوعی(ann)[2] به مقایسه این دو روش برای پیشبینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005 پرداختهایم. ...
متن کاملپیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی
متن کامل
مدل سازی و پیش بینی نوسانات قیمت نفت خام ایران با استفاده از مدل های garch
امروزه انرژی نفت به عنوان یکی از منابع تجدید ناپذیر انرژی، جایگاه بسیار مهمی در میان منابع تأمین انرژی جهان به خود اختصاص داده است. شناخت ساختار قیمت این کالا و مدل سازی آن همواره مورد توجه پژوهش های اقتصادی بوده و تلاش هایی نیز برای بررسی علت نوسان و پیش بینی آن انجام گرفته است. کشور ایران یکی از صادرکنندگان بزرگ نفت در دنیا به شمار می رود و به عقیده کارشناسان، اقتصاد این کشور وابسته به درآمد ...
پیش بینی تولید آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه عصبی مصنوعی
پیشبینی پدیدههای اقتصادی ساختاری فراهم میکند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیم‌های درست یاری دهد. هدف اصلی این مطالعه پیشبینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روشهای سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده میشود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار ...
متن کاملپیش بینی قیمت خرده‌فروشی و عمده‌فروشی ماهی قزل آلا با استفاده از شبکه عصبی مصنوعی و مدل ARMA
توجه به ثبات نسبی و پیشبینی قیمت، می‌تواند نقش مهمی در کنترل ناپایداری قیمت‌ها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیشبینی، مهم‌ترین بخش مقایسهی روشهای مختلف است. در این پژوهش با مقایسهی قدرت پیشبینی دو روشARMA و شبکهی عصبی مصنوعی و با انتخاب روش بهتر، قیمت‌های هفتگی خرده‌فروشی و عمده‌فروشی ماهی قزل‌آلا پیشبینی میشود. در این مطالعه از شبکهی پیش‌خور که از نوع شبکههای پس ان...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه علامه طباطبایی - دانشکده اقتصاد
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023