ارزيابي عملكرد الگوهاي شبكه‎ي عصبي و خودرگرسيون ميانگين متحرك در پيش‎بيني قيمت نفت‎خام ايران

Forecasting Iranian Crude Oil Price Using Artificial Neural Network and ARIMA Models

اين مطالعه با هدف معرفي الگوهاي مطلوب پيش‎بيني براي قيمت نفت‎خام ايران انجام شده است داده‎هاي مورد استفاده به‎صورت هفتگي و شامل دوره‎ي 2010-1997 مي‎باشد و پيش‎بيني ها براي 10، 20 و 30 درصد داده‎هاي ياد شده انجام گرفته است. الگوهاي مورد استفاده براي پيش‎بيني، شامل 4 الگوي شبكه‎ي عصبي و يك الگوي رگرسيوني (خودرگرسيون ميانگين متحرك) بوده است. شبكه‎هاي منتخب شامل شبكه‎ي پيشخور پس انتشار، شبكه‎ي آبشاري پس انتشار، شبكه‎ي المان پس انتشار و شبكه‎ي رگرسيون تعميم يافته مي باشد. هم‎چنين توابع آموزش مورد استفاده در پيش‎بيني شامل توابع لونبرگ- ماركوآت و شبه‎ي نيوتني است. يافته‎هاي به دست آمده نشان مي‎دهد براي پيش‎بيني 10 درصد از داده‎هاي قيمت نفت‎خام، الگوهاي شبكه‎ي رگرسيون تعميم يافته و شبكه‎ي آبشاري پس انتشار با تابع آموزش شبه‎ي نيوتني، به ترتيب با خطايي كم‎تر از 1 و كم‎تر از 2 درصد داراي بهترين عملكرد هستند. براي پيش‎بيني 20 درصد داده‎هاي قيمت نفت‎خام ايران، شبكه‎ي پيشخور پس انتشار و شبكه‎ي المان پس انتشار با تابع آموزش لونبرگ- ماركوآت، داراي عملكرد بهتر مي‎باشند. در مورد 30 درصد از داده‎ها نيز شبكه‎ي پيشخور پس انتشار مطلوب تر ارزيابي شده است. هم‎چنين نتايج نشان مي‎دهد به‎طور نسبي با افزايش درصد داده‎هاي مورد استفاده در پيش‎بيني، دقت پيش‎بيني‎ها به‎ويژه با افزايش از 10 درصد به 20 درصد رو به افول مي‎رود. دقت پيش‎بيني خودرگرسيون ميانگين متحرك نيز پايين‎تر از الگوهاي شبكه‎ي عصبي ارزيابي مي‎شود. طبقه‎بندي JEL: C45, C53, Q49 كليد واژه: قيمت، پيش‎بيني، نفت‎خام ايران، شبكه‎ي عصبي مصنوعي، خودرگرسيون ميانگين متحرك.

The aim of this study is to introduce more optimal models to forecast Iranian crude oil prices. The study uses weekly data for the period 1987-2010, to separately forecast 10, 20 and 30 percent of data variables. The study applies 4 Artificial Neural Networks and one ARIMA regression model. The seleeted Artificial Neural Networks are Feed-Forward Back Propagation, Cascade Back Propagation, Elman Back Propagation and Generalized Regression. The experimental functions are Levenberg-Marquardt and Quasi-Newton BFG. The findings indicate that for 10 percent of price data networks of Generalized Regression and Quasi-Newton BFG based Caseade Back Propagation networks give the best forecasts with errors of less than 1 and 2 pereent respectively. To forecast 20 percent of Iranian Crude oil prices Feed-Forward Back Propagation and Elman Back Propagation networks based on the Levenberg-Marquardt experimental functions had the best performance. In the case of 30 percent of price data also Feed-Forward Back Propagation was found move optimal. The results also indicate that as the percentage of data forecast increases prediction accuracy tends to decrease and this happens most markedly when we increase the percentage of data used from 10 percent to 20 percent. The study also reveals a lower forecasting power for the ARIMA model compared to all the other models. JEL Classifications: C45, C53, Q49