مقايسه‌ي عملكرد مدل‌هاي ARFIMA-GARCH، شبكه‌ي عصبي و معادلات ديفرانسيل تصادفي در پيش‌بيني قيمت جهاني نفت‌خام

Comparison of Oil Price Prediction Using Stochastic Differential Equations (SDE), ARFIMA-GARCH and Artificial Neural Network (ANN) Models

در اين مقاله براي پيش‌بيني قيمت نفت، ابتدا ماهيت سري زماني قيمت جهاني ماهانه نفت خام از لحاظ آشوبي و يا تصادفي بودن و هم‌چنين از لحاظ دارا بودن حافظه ي بلندمدت بر اساس آزمون‌هاي آشوب و آزمون حافظه ي بلندمدت مشخص گرديده است و سپس الگويي براي مدل سازي و پيش بيني اين سري زماني براساس معادلات ديفرانسيل تصادفي ارايه شده است. براي بررسي عملكرد مدل پيشنهادي، مقايسه اي بين اين مدل با مدل شبكه‌هاي عصبي بر پايه‌ي الگوريتم پيش‌خور چند لايه و هم‌چنين مدل حافظه ي بلند مدت ARFIMA-GARCH در پيش بيني خارج از نمونه ي قيمت نفت‌خام براي افقي 6 ماهه بر اساس معيارهاي متعارف پيش بيني RMSE و MAE و آزمون‌هاي آماري ديبلد – ماريانو(DM)، مرگان، گرنجر و نيوبلد (MGN) و هم‌چنين آزمون دقت پيش‌بيني جهت پسران-تيمرمان (PT) انجام پذيرفته است. بر پايه اين نتايج مي توان گفت كه سري زماني قيمت جهاني نفت‌خام آشوبي و داراي حافظه‌ي بلندمدت و در نتيجه پيش‌بيني پذير بوده و بر اساس معيارهاي پيش بيني RMSE و MAE و آزمونPT ، مدل معادلات ديفرانسيل تصادفي عملكرد بهتري نسبت به مدل‌هاي رقيب در پيش‌بيني قيمت نفت دارد. با اين وجود براساس آزمون‌هاي DMوMGN ، تفاوت معناداري در دقت پيش‌بيني مدل معادلات ديفرانسيل تصادفي با مدل شبكه‌ي عصبي ديده نمي‌شود. طبقه‌بندي JEL: C15, C22, C53 كليد واژه: پيش‌بيني قيمت نفت‌خام، شبكه‌ي عصبي، معادلات ديفرانسيل تصادفي، مدل حافظه ي بلندمدت GARCH- ARFIMA ?

Comparison of Oil Price Prediction Using Stochastic Differential Equations (SDE), ARFIMA-GARCH and Artificial Neural Network (ANN) Models Hassan Khodavaisi * Assistant Professor, Urumia University, H.Khodavaisi@mail.urmia.ac.ir Reza Hosseini Ph.D. at Economic hosseinir115@gmail.com Ahamad Mollabahramy MA at Economic, Urumia University a.molabahrami@mail.urmia.ac.ir Received: 2011/12/07 Accepted: 2012/11/10 Abstract Oil, as a strategic commodity, plays an important role in the world economy since it affects different sectors of the economy and its price changes will affect both oil producers and consumers. Therefore, researchers show much interest in predicting oil prices. This paper attempts to establish whether oil prices behave in a chaotic or stochastic manner and whether they have long memory based on appropriate tests. To this end, the study compares ANN, SDE and ARFIMA-GARCH models. The results indicate that oil prices are chaotic and have long-memory characteristics. Predictions based on stochastic differential equation are more accurate than alternative models when we apply RMSE, MAE and Pesaran and Timmermann (PT) test criteria. However, there is no meaningful difference between SDE and ANN predictions based on Diebold and Mariano (DM) and Morgan-Granger-Newbold (MGN) criteria. JEL Classification: C15, C22, C53. Keywords: oil price prediction, Artificial Neural Network model, stochastic differential equations, ARFIMA-GARCH model.