پیش‌بینی قیمت نفت بر اساس مدل‌های غیرخطی انتقال ملایم و بهینهسازی الگوریتم ژنتیک

نویسندگان

1 دانشیار، دانشگاه تبریز، دانشکده اقتصاد

2 دانشجوی دکترای اقتصاد، دانشگاه تبریز، دانشکده اقتصاد

چکیده

امروزه قیمت نفت نقش مهمی را در اقتصاد جهانی ایفا می‌کند و به عنوان یک عامل مهم و اثرگذار بر برنامه‌های دولت‌ها و بخش‌های تجاری و بازرگانی اهمیت فراوانی دارد. با توجه به اهمیت روز افزون نفت در بازارهای مالی، پیش‌بینی قیمت نفت خام همواره مورد علاقه‌ بسیاری از فعالان بازار و سیاستگذاران بوده است. در این راستا، در این پژوهش، ضمن بررسی و انجام آزمون غیرخطی برای داده‌های ماهانه قیمت نفت خام، به مدل‌سازی و پیش‌بینی قیمت نفت خام در بازارهای جهانی می‌پردازیم. برای این منظور از روش‌شناسی رگرسیون غیرخطی انتقال ملایم  استفاده می‌کنیم. همچنین، به منظور مقایسه عملکرد پیش‌بینی‌های خارج از نمونه، مدل رگرسیون غیرخطی انتقال ملایم بر اساس بهینه‌سازی الگوریتم ژنتیک، مدل شبکه عصبی مصنوعی و مدل ARIMA را برآورد می‌کنیم. یافته‌های این پژوهش، تأییدکننده رفتار غیرخطی قیمت نفت خام و عملکرد بهتر مدل‌های غیرخطی نسبت به مدل  ARIMAدر پیش‌بینی خارج از نمونه قیمت نفت خام برای افق 12 ماهه بر اساس معیارهای RMSE و MAE و DA است. 

کلیدواژه‌ها


عنوان مقاله [English]

Oil Price Predictions Based on Nonlinear Smooth Transition Models, Using Genetic Algorithm Optimization

نویسندگان [English]

  • Hossein Asgharpur 1
  • Ali Vafamand 2
1 Associate Professor, Tabriz University, Faculty of Economics
2 Ph.D. student of economics, Tabriz University, Faculty of Economics
چکیده [English]

The price of oil plays an important role in the global economy and is an important factor influencing the government and
commercial sectors. Because of increasing importance of oil in financial markets, oil price predictions have always been an important subject for the researchers in Economics, and other economic agents. This paper tries to study the behavior of crude oil prices based on Smooth Transition Autoregressive models used on monthly crude oil prices data. We show
that simulation results using STAR models estimated by Genetic Algorithm method, outperforms linear time series models, such as ARIMA, for out of sample predictions based on RMSE and MAE and DA criteria.

کلیدواژه‌ها [English]

  • Crude oil prices
  • Nonlinear Models
  • Momentum Autoregressive Transfer Model
  • Genetic Algorithm Optimization
  • Neural Network Model

 

-        ابریشمی، حمید؛ آریانا، یاسمین و مهرآرا، محسن. (1386). ارزیابی عملکرد مدل‌های پیش‌بینی بی‌ثباتی قیمت نفت، مجله تحقیقات اقتصادی، شماره 78. صص1-21.

-        بهرادمهر، نفیسه. (1387). پیش‌بینی قیمت نفت خام با استفاده از هموارسازی موجک و شبکه عصبی مصنوعی. فصلنامه مطالعات اقتصاد انرژی، سال پنجم، شماره 18، صص 81-98.

-        پور کاظمی، محمدحسین و اسدی، محمدباقر. (1388). پیش‌بینی پویای قیمت نفت خام با استفاده از شبکه‌های عصبی مصنوعی و با به‌کارگیری ذخیره سازی‌های نفتی کشورهای OECD. تحقیقات اقتصادی، شماره 44 (88)، صص 25-46.

-        کمیجانی، اکبر؛ نادری، اسماعیل و گندلی علیخانی، نادیا. (1391). مقایسه‌ انواع مدل‌های واریانس ناهمسان شرطی در مدل‌سازی و پیش‌بینی نوسانات قیمت نفت. فصلنامه مطالعات اقتصاد انرژی، سال نهم، شماره 7، صص 121-146.

-        -عباسی نژاد، حسین؛ علیخانی، نادیا و نادری، اسماعیل. (1392). تحلیل و پیش‌بینی اثرات غیرخطی در بازار نفت. فصلنامه برنامه‌ریزی و بودجه، سال هجدهم، شماره 3، صص 21-48.

-        مهدوی، عبدالمحمد. (1386). طراحی مدل ارزیابی کیفیت خدمات سیستم‌های اطلاعاتی مبتنی بر الگوریتم ژنتیک. ویژه نامه مدیریت، شماره 235، صص 29-263.

-        مهر آرا، محسن و سرخوش، اکبر. (1389). آثار غیرخطی متغیرهای کلان اقتصادی بر رشد اقتصادی با تأکید بر نرخ ارز (مورد ایران). مجله تحقیقات اقتصادی، شماره ۹۳(45)، صص201-228.

-        Abosedra, S. (2005). Futures versus Univariate Forecast of Crude Oil Prices. OPEC Review, Vol. 29, No. 4, pp. 231–241.

-        Ahmed, R. A.  & Bin, S. A. (2013). Fitting GARCH Models to Crude Oil Spot Price Data, Life Science Journal, Vol.10, No.4, pp. 654-661

-        Ahmed, R. A. & Bin, S. A. (2014). Daily Crude Oil Price Forecasting Model Using ARIMA, Generalized Autoregressive Conditional Heteroscedastic and Support Vector Machines, American Journal of Applied Sciences, Vol.11, No.3, pp. 425-432.

-        Alquist, R. Kilian, L.  & Vigfusson, R. J. (2011). Forecasting the Price of Oil. International Finance Discussion Papers1022, Board of Governors of the Federal Reserve System (U.S.).

-        Bopp, A. E.  & Lady, G. M.  (1991). A Comparison of Petroleum Futures versus Spot Prices as Predictors of Prices in the Future. Energy Economics, Vol.13, No.4, pp. 274–282.

-        Chernenko, S. Schwarz, K. & Wright. J. H. (2004). The Information Content of Forward and Futures Prices: Market Expectations and the Price of Risk. FRB International Finance Discussion Paper 808.

-        Day, T. E.  & Lewis. C.M.  (1993). Forecasting Futures Markets Volatility. the Journal of Derivatives, Vol.1, No.2, pp. 33-50.

-        Duffie, D.  & Gray. S. (1995). Volatility in Energy Prices, Managing Energy Price Risk. Risk Publications, London, pp. 39-55.

-        Frey, G. Manera, M. Markandya, A. & Scarpa, E. (2009). Econometric Models for Oil Price Forecasting: A Critical Survey. IFO Institute for Economic Research at the University of Munich, Vol.10, No. 1, pp. 29-44.

-        Hou, A.  & Suardi, S. (2012). A Nonparametric GARCH  Model of Crude Oil Price Return Volatility. Energy Economics, Vol.34, No.2, pp. 618–626.

-        Lalonde, R.  Zhu, Z. & Demers, F. (2003). Forecasting and Analyzing World Commodity Prices. Bank of Canada, Working Paper, 2003–24.

-        Luukkonen, R. & Terasvirta, T. (1991).Testing Linearity of Econometric Time Series Against Cyclical Asymmetry. Annales d’economie et de Statistique, 20/21, pp.125–142.

-        Marzo, M. & Zagaglia, P. (2007). Volatility Forecasting for Crude Oil Futures. Research Papers in Economics,2007:9, Stockholm University, Department of Economics.

-        Mehrara, M.  Moeini, A.  Ahrari, M.  & Erfanifard, A. (2009). Investigating the Efficiency in Oil Futures Market Based on GMDH Approach. Journal of Expert Systems with Applications, Vol.36, Issue 4, pp. 7337-8712.

-        Mitchell, M. (1996). An Introduction to Genetic Algorithms. MIT Press, Cambridge, MA.

-        Morana, C. (2001). A Semiparametric Approach to Short-term Oil Price Forecasting. Energy Economics, Vol.23, Issue3,  pp. 325–338.

-        Musaddiq, T. (2012). Modeling and Forecasting the Volatility of Oil Futures Using the ARCH Family Models. The Lahore Journal of Business,Vol.1, No.1, pp. 79–108.

-        Sadorsky, P. (2006). Modeling and Forecasting Petroleum Futures Volatility. Energy Economics, Vol.28, Issue4, pp.467–488.

-        Schwartz, E.  & Smith, J. E. (2000). Short-term Variations and Long-term Dynamics in Commodity Prices. Management Science, Vol. 46, No.7, pp. 893–911.

-        Shabri, A.  & Ruhaidah, S.  (2014). Daily Crude Oil Price Forecasting Using Hybridizing Wavelet and Artificial Neural Network Model. Mathematical Problems in Engineering 2014, pp.1-10.

-        Shambora,  W. E. & Rossiter, I. (2007). Are There Expoitable Inefficiencies in the Futures Market for Oil? Energy Economics, Vol.29, Issue1, pp.18-27.

-        Sompui, M. & Wullapa, W. (2014). Prediction Model for Crude Oil Price Using Artificial Neural Networks. Applied Mathematical Sciences, Vol.8, No.80, pp. 3953 - 3965

-        Terasvirta, T.)1994(. Specification, Estimation, and Evaluation of Smooth Transition Autoregressive Models. Journal of the American Statistical Association.Vol.89, Issue 425, pp.208–218.

-        Xiong, T. Bao, Y.  & Hu, Z.  (2013). Beyond One-Step-Ahead Forecasting: Evaluation of Alternative Multi-Step-Ahead Forecasting Models for Crude Oil Prices. Energy Economics, Vol.40, Supplement 1, pp.405–415.

-        Ye, M.  J. Zyren  & Shore, J.  (2005). A Monthly Crude Oil Spot Price Forecasting Model Using Relative Inventories. Internat-ional Journal of Forecasting, Vol. 21, No.3, pp. 491–501.

-        Yu, L. Wang, S. & Lai, k. k. (2008). Forecasting Crude Oil Price with an EMD-Based Neural Networkensemble Learning Paradigm. Energy Economics, Vol.30, Issue 5, pp. 2623–2635.