Abstract:
ویژگیهای نفت خام و عوامل مؤثر بر قیمت این حامل انرژی باعث شده تا پیشبینی قیمت آن همواره مورد توجه محققان، فعالان بازار نفت، دولتها و سیاستگذاران قرار گیرد. از آنجایی که قیمت نفت خام تحت تأثیر عوامل زیادی است بنابراین باید در این راه مطالعات مداوم صورت گرفته تا برآوردهای انجام شده با گذشت زمان، نتایج دقیقتر و از قابلیت اعتماد بالاتری برخوردار شود. در این مقاله برای پیشبینی قیمت نفت خام از ترکیب مدل خاکستری مرتبه اول و آریما استفاده شده و مدل ترکیبی خاکستری - آریما پیشنهاد شده است. برای بررسی این تکنیک از دادههای قیمت نفت خام برنت در بازههای زمانی فصلی، ماهیانه و هفتگی استفاده شده است. در پیشبینی فصلی دادههای سه ماه اول سال 2015 تا سه ماهه دوم سال 2021، در پیشبینی ماهیانه دادههای مارس 2020 تا دسامبر 2020 و در پیشبینی هفتگی دادههای هفته دوازدهم 2020 تا هفته شانزدهم 2021 مورد استفاده قرار گرفته است. نتایج نشان داد میانگین قدر مطلق درصد خطا و جذر میانگین مربع خطا در مدل ترکیبی، همواره کمتر از مدلهای منفرد یا تک تئوری خاکستری و آریما است. همچنین، مدل ترکیبی توانایی بالاتری جهت توضیح و پوشش نوسانات قیمت در بازههای مختلف زمانی را داشته و قابل اطمینانتر از مدلهای منفرد است. لذا میتوان از مدل ترکیبی به جای مدلهای منفرد و تک تئوری برای پیشبینی دقیقتر استفاده کرد.
The characteristics of crude oil and the factors affecting the price of this energy carrier have made its price forecast always considered by researchers, oil market participants, governments, and policymakers. Because the price of crude oil is affected by many factors, ongoing studies should be done to make more accurate and reliable estimates over time. In this paper, a combination of GM (1,1) and ARIMA models and a hybrid model (GM-ARIMA) for crude oil price forecasting is proposed. The Brent crude oil price data for seasonal (2015Q1-2021Q2), monthly(2020m3-2020m12), and weekly(w12-2020: w16-2021) periods were used to examine this method. The results show that based on the evaluation criteria of mean absolute error percentage (MAPE) and square mean square error (RMSE), the evaluation criteria of MAPE and RMSE in the combined GM-ARIMA model are always lower than the GM and ARIMA models alone. Therefore, the GM-ARIMA hybrid model will be able to predict more accurately than the GM and ARIMA models. Therefore, for more accurate prediction, the GM-ARIMA hybrid model can be used instead of single models.
Machine summary:
در اين مقاله براي پيش بيني قيمت نفت خام از ترکيب مدل خاکستري مرتبه اول و آريما استفاده شده و مدل ترکيبي خاکستري - آريما پيشنهاد شده است .
براي بررسي اين تکنيک از داده هاي قيمت نفت خام برنت در بازه هاي زماني فصلي، ماهيانه و هفتگي استفاده شده است .
تاکنون مطالعات زيادي در داخل و خارج از کشور در ارتباط با پيش بيني قيمت نفت خام با استفاده از روش هاي مبتني بر مدل هاي اقتصادسنجي و آماري انجام شده شده است .
نتايج تجربي نشان ميدهد که بر اساس داده هاي روزانه قيمت نفت خام ، روش پيش بيني موج خاکستري عملکرد خوبي در مقايسه با مدل آريما دارد.
مقادير واقعي و پيش بيني قيمت هفتگي براساس مدل هاي خاکستري، آريما و خاکستري - آريما )به تصویر صفحه رجوع شود) منبع : يافته هاي تحقيق در جدول شماره (٣) پيش بيني قيمت نفت خام برنت براي شش ماه ارائه شده است .
معيارهاي ارزيابي مدل هاي خاکستري، آريما و خاکستري - آريما براي پيش بيني قيمت نفت خام برنت )به تصویر صفحه رجوع شود) منبع : محاسبات تحقيق ٥.
براي بررسي دقت اين تکنيک ، داده هاي قيمت نفت خام برنت را (به صورت فصلي، ماهيانه و هفتگي) در مدل ترکيبي استفاده کرده و نتايج حاصل را مورد مقايسه قرار داديم .
Prediction of International Crude Oil Futures Price Based on GM(1,1), IEEE International Conference on Grey Systems and Intelligent Services, pp.
Yu Lean, Wang Shouyang, Lai Kin Keung (2008).