نااطميناني در بازار آتي‌هاي نفت خام و تاثيرآن در پيش‌بيني قيمت و نوسان درآمدهاي نفتي (با ارايه الگويي مناسب براي پيش‌بيني قيمت و درآمد نفت خام)

Uncertainty in Oil Futures Market and its Impact on Price Prediction and Revenue Volatilities (With Presenting a Convenient Model to Predict the Prices and Oil Revenues

نااطميناني در بازار آتي‌هاي نفت خام و تأثيرآن در پيش‌بيني قيمت و نوسان درآمدهاي نفتي (با ارائه الگوئي مناسب براي پيش‌بيني قيمت و درآمد نفت خام) داريوش وافي عضو هيأت علمي مؤسسه‎ي مطالعات بين‌المللي انرژي dr_vafi@yahoo. ca علي عرفاني فرد پژوهش‎گر گروه مدل‎سازي alierfanifard@gmail. com تاريخ دريافت: 28/4/88 تاريخ پذيرش: 23/3/89 چكيده اين مقاله در ابتدا با بررسي بازار آتي‌هاي نفت خام و شناسائي ريسك‎هاي موجود دراين بازار مدلي را كه در آن ارتباط قابل قبولي ميان قيمت در بازار آتي‌ها و قيمت اسپات ارائه ‌دهد، معرفي مي‌كند و سپس با توجه به اين ساختار، چارچوبي را كه بتواند پيش‌بيني مناسبي از قيمت نفت داشته باشد و در نتيجه عايدي اطمينان بخشي از خريد و فروش نفت حاصل كند ارائه مي‌دهد. لذا با توجه به فرايندي كه در شكل‎گيري انتظارات در بازار بورس وجود دارد و با استفاده از تحليل‌هاي فني و استفاده از روشي مناسب براي داده‌كاوي و مدل‎سازي، برآوردهائي از قيمت نفت خام و عايدي حاصل از آن به‎دست آمد و نتايج در سه حالت بررسي شد: 1- زماني كه ورودي‌ها الگوي انتظارات تطبيقي است، 2- وقتي ورودي‌ها قواعد تحليل فني است و 3-تركيب موارد اول و دوم، نتايج نشان مي‌دهد كه حالت سوم ضمن كاهش ريسك عايدي‌ها مقدار عايدي تجمعي را نسبت به حالت‌هاي اول و دوم به ترتيب %70 و %10 افزايش مي‌دهد. هم‎چنين به‎كارگيري انتظارات تطبيقي در كنار قواعد تحليل فني مقادير پيش‌بيني را دقيق‌تر مي‌كند.

This paper surveys oil futures markets and identifies relevant risks in order to propose a model that establishes an acceptable relationship between future and spot prices. Based on this mechanism the paper then proposes a framework for predicting oil prices and resultant revenues from oil sales and purchases. The framework is then used to predict prices expected revenues from oil transactions using data mining and modeling based on an adaptive expectations model and technical analysis rules. Results of three different scenarios are then compared: 1-when inputs are the outputs of adaptive expectations model 2- when inputs are derived from technical analysis rules and 3- combination of these two approaches. The results demonstrate that the combined model besides reducing uncertainty increases the predictive power of the model by respectively 70% and 10% compared to scenarios 1 and 2 respectively. In addition, applying the adaptive expectations together with technical analysis results in more precise predictions.