ارائه يك مدل شبكه عصبي جهت پيش‌بيني كوتاه ‌ مدت قيمت نفت خام

A neural network model for crude oil price forecasting

ايران يكي از پنج كشور بزرگ مالك ذخاير غني نفتي در جهان است. عليرغم رشد صادرات محصولات غيرنفتي، هنوز هم بخش اعظم اقتصاد كلان كشور بر نفت متكي است و بيش از 98٪ انرژي اوليه كشور از نفت تأمين مي شود. بنابراين اهميت تحقيق در زمينه مباحث مرتبط با اقتصاد نفت و به ويژه مدلي كه بتواند قيمت نفت را پيش بيني نمايد، بر هيچ كس پوشيده نيست. امروزه علاقه فراواني به استفاده از سيستم هاي هوشمند در جهت بهبود كيفيت تصميمات مالي به وجود آمده است. به ويژه شبكه هاي عصبي كه از طريق آموزش، توانايي يادگيري از تجارب گذشته و بهبود سطح كارايي خود را دارا هستند، در اين رابطه جايگاه ويژه اي دارند. لذا در اين تحقيق با استفاده از يادگيري «هدايت شده»يك مدل شبكه عصبي براي «پيش بيني ماهانه قيمت نفت خام»، توسعه داده شده است. در فرآيند توسعه اين مدل، تأثير انواع متغيرهاي فني و بنيادي، تعداد نرون هاي لايه ورودي، تعداد لايه ها و نرون هاي پنهان، توابع تبديل لايه ها، پيش پردازش مناسب داده ها، تقسيمات مختلف داده ها براي انتخاب مجموعه هاي آموزش و آزمايش، انواع الگوريتم هاي يادگيري بهبوديافته و انواع شبكه با انجام آزمايش هاي فراوان بررسي شده است. در نهايت يك شبكه پيشخور سه لايه (N9-2-8-1) با ميانگين خطاي مطلق 74 سنت در مجموعه آموزش و 71 سنت در مجموعه آزمايش، به عنوان بهتنرين مدل انتخاب گرديده است.

Iran is one of the top five important countries in the world that have rich oil reserves. Exchange incomes produced by oil exports play an important role in country’s budget. Therefore, the studies and researches in fields that are related to oil economics have great privilage. Today, there is a plentiful interest in use of artificial intelligence methods especially neural networks for improving financial decision-making procedures. The main advantage of neural networks is their ability for learning from past experiments. They improve their efficiency by network training. So in this research, a neural network model is developed for forecasting monthly crude oil price using supervised learning. In development process of this model, effect of network structure types, technical inputs types, fundamental inputs, number of input layer neurons, number of hidden layers and neurons, transfer function of layers, data preprocess, divide of data to train and test sets and improved learning algorithm types are investigated. A three layers feed forward network with N9-2-8-1 structure is selected as the best price-forecasting model. This network has mean absolute error equal to 0.74$ on train set and 0.71$ on test set.