خلاصه مقاله:
با توجه به مكانيزم پيچيده حاكم بر قيمت نفت خام، مدل هاي خطي كارآيي مناسبي در پيش بيني آن ندارند . محققين از شبكه عصبي به عنوان يك روش غيرخطي جديد براي پيش بيني بهره گرفته اند . يكي از مشكلات استفاده از شبكه عصبي، فرآيند طولاني و زمان بر » آزمون و خطا « براي تعيين معماري بهينه - اعم از تعداد ورودي ها، تعداد لايه هاي مخفي، تعداد نورون در هر لايه مخفي و تابع انتقال هر يك از لايه ها - مي باشد . اين مقاله، ابتدا تحقيقات مربوط به پيش بيني قيمت نفت خام را بررسي كرده، سپس ادبيات پيش بيني با استفاده از شبكه عصبي را مرور نموده و آنگاه به ارائه رويكرد تلفيقي شبكه عصبي و الگوريتم ژنتيك پرداخته است . در اين رويكرد، ابتدا كروموزومي كه ژن هاي آن نمايش دهنده پارامترهاي معماري شبكه مي باشند تعريف شده است . سپس يك جمعيت اوليه تصادفي از اين كروموزوم ها ايجاد مي گردد كه با طي كردن روند تكاملي به سمت معماري بهينه حركت مي كند . قيمت هاي نفت خام West Texas Intermediate (WTI) در بازه زماني 1988 تا 2004 براي آموزش و تعيين معماري شبكه و قيمت هاي سال 2005 و 2006 براي آزمايش آن بكار گرفته شده اند . نتايج نشان مي دهند كه بكارگيري رويكرد پيشنهادي باعث بهبود كيفيت پيش بيني ها شده است .
كلمات كليدي:
پيش بيني، قيمت نفت، شبكه عصبي، الگوريتم ژنتيك
ارائه يك مدل شبكه عصبي جهت پيش بيني كوتاه مدت قيمت نفت خام
چکيده:
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 متکي است و بيش از %98 انرژي اوليه كشور از نفت تأمين ميشود. بنابراين اهميت تحقيق در زمينه مباحث مرتبط با اقتصاد نفت و بويژه مدلي كه بتواند قيمت نفت را پيشبيني نمايد، بر هيچكس پوشيده نيست. امروزه علاقه فراواني به استفاده از سيستمهاي هوشمند در جهت بهبود كيفيت تصميمات مالي بوجود آمده است. بويژه شبكههاي عصبي که از طريق آموزش، توانايي يادگيري از تجارب گذشته و بهبود سطح كارايي خود را دارا هستند، در اين رابطه جايگاه ويژهاي دارند. لذا در اين تحقيق با استفاده از يادگيري «هدايت شده» يك مدل شبکه عصبي براي «پيشبيني ماهانه قيمت نفت خام»، توسعه داده شده است. در فرآيند توسعه اين مدل، تأثير انواع متغيرهاي فني و بنيادي، تعداد نرونهاي لايه ورودي، تعداد لايهها و نرونهاي پنهان، توابع تبديل لايهها، پيشپردازش مناسب دادهها، تقسيمات مختلف دادهها براي انتخاب مجموعههاي آموزش و آزمايش، انواع الگوريتمهاي يادگيري بهبوديافته و انواع شبکه با انجام آزمايشهاي فراوان بررسي شده است. در نهايت يك شبكه پيشخور سهلايه (n9-2-8-1) با ميانگين خطاي مطلق 74 سنت در مجموعه آموزش و 71 سنت در مجموعه آزمايش، بعنوان بهترين مدل انتخاب گرديده است.
کليدواژگان:
قيمت نفت خام، شبکه عصبي، پيشبيني، مدل سازي غيرخطي، پيشگويي کوتاه مدت