چکیده:
این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب جهت مدل سازی و پیش بینی نوسانات قیمت نفت خام ایران می باشد. لذا، سعی شده است تا تحلیل جامعی از پیش بینی قیمت این نهاده ارایه گردد، به همین منظور، ضمن بررسی ماهیت مقوله پیش-بینی پذیری به کمک آزمون های نسبت واریانس، BDS و نیز آزمون آشوب گونه بودن این سری، به تحلیل ساختار خطی و یا غیرخطی بودن آن پرداخته شده و پس از تایید آشوب گونه بودن سری بازدهی قیمت نفت بر اساس آزمون توان لیاپانوف و نیز وجود ویژگی حافظه بلندمدت، مهر تاییدی بر رد فرضیه بازارهای کارا و قبول فرضیه بازارهای فرکتال بوده است. سپس با علم به ویژگی-های ذاتی سری بازدهی قیمت نفت، به کمک ترکیب مدل های مبتنی بر حافظه بلندمدت و تجزیه موجک، به انتخاب بهترین مدل ممکن پرداخته شد. نتایج این مطالعه بر مبنای آزمون GPH، مبین وجود ویژگی حافظه بلندمدت در سری بازدهی و نوسانات قیمت نفت بوده و همچنین به کارگیری تکنیک تجزیه موجک را برای داده های پر تلاطم، مو ثر دانسته است، چرا که بر اساس معیارهای سنجش خطای پیش بینی MSE و RMSE مدل ترکیبی مبتنی بر حافظه بلندمدت و تجزیه موجک در مقایسه با مدل حافظه بلندمدت با داده های تجزیه نشده، از عملکرد دقیق تری برخوردار بوده است.
خلاصه ماشینی:
"بر پایه این مفاهیم و با توجه به دادههای روزانه قیمت نفت خام سنگین ایران، طی بازه زمانی 2/1/2000 الی 29/1/2013، این مطالعه درصدد است تا به بررسی پیشبینیپذیری نوسانات قیمت نفت خام ایران، بررسی فرضیه بازارهای فرکتال در سری مذکور با بهرهجویی از تئوری آشوب، مدلسازی بر مبنای مدلهای مبتنی بر حافظه بلندمدتLong Memory"/> و نهایتا مقایسه عملکرد این مدلها و مدل ترکیبی تجزیه موجک با مدل Auto Regressive Fractionally Integrated Moving Average- Fractionally Integrated Generalized Auto Regressive Conditional Heteroskedasticity"/>ARFIMA-FIGARCH بر اساس معیارهای اطلاعات (AIC و SBC)Akaike Information Criterion (AIC), Schwarz Bayesian Criterion (SBC)"/> میباشد.
شیوه کار تکنیک موجک در سریهای اقتصادی نیز بدین صورت است که یک سریزمانی نامانا را به دو بخش روند و اجزاء تقسیم نموده که این امر شرایط مدلسازی جداگانه هر یک از بخشهای یک سریزمانی (روند و اجزاء) را در قالب یک مدل واحد فراهم میآورد (Lineesh & John, 2010) بنابراین، در پیشبینی سریهایی که ساختار پیچیده، آشوبی و فرکتال دارند (از شاخصهای بازارهای مالی) تبدیل موجک بسیار مؤثر و کارا خواهد بود، چرا که تبدیل موجک، نویزهای با فرکانس بالا را از دادهها حذف نموده، درحالیکه روند این نویزها را حفظ مینماید و این امر طبیعتا با کاهش مقادیر انحرافات در برآورد مدلها، سبب بهبود مدلسازیها و در نتیجه پیشبینیها خواهد شد (Homayouni & Amiri, 2011).
با مقایسه مقادیر معیارهای اطلاعات مربوط به انواع مختلف مدلهای GARCH به سادگی میتوان دریافت که مدل ARFIMA(1,2)-FIGARCH(BBM) دارای کمترین مقدار آماره اطلاعات آکائیک و شوارتز بوده و بنابراین بهترین تصریح جهت تبیین الگوی رفتاری تلاطم موجود در سری بازدهی قیمت نفت خام میباشد، لذا ضرایب متغیرهای بهترین مدل به همراه آمارههای مربوط به معنیداری این ضرایب در جدول 10 ارایه شده است."