پیش‌بینی قیمت نفت خام اوپک با بکارگیری مدل پیش‌بینی خاکستری
محورهای موضوعی : اقتصاد کار و جمعیت
حبیب اله جوانمرد
1
(دانشیار مدیریت صنعتی دانشگاه آزاد اسلامی واحد اراک)
سیده فاطمه فقیدیان
2
(دانشجوی کارشناسی ارشد واحد علوم و تحقیقات اراک)
کلید واژه: نظریه سیستم‌های خاکستری, مدل بهبود یافته پیش‌بینی خاکستری, مدل پیش‌بینی خاکستری, قیمت نفت خام اوپک,
چکیده مقاله :
در اقتصاد جهانی، نفت خام یکی از مهم‌ترین کالاهای استراتژیک محسوب می‌شود که نقش به سزایی در تعیین بسیاری از معادلات منطقه ای و بین‌الملی دارد. از این رو، پژوهش‌گران اقتصادی و تصمیم گیرندگان سیاسی همواره درصدد اطلاع از پیش‌بینی صحیح قیمت نفت خام هستند. بازارهای نفتی یکی از پیچیده‌ترین، پرتلاطم ترین و غیرشفاف ترین بازارهای مالی بین‌المللی محسوب می‌شوند، شرایط این بازارهای مالی با محیط‌های خاکستری تطبیق مناسبی دارد. از این رو، محققان پژوهش حاضر مدل پیش‌بینی خاکستری، که هسته نظریه سیستم‌های خاکستری می‌باشد، را مدلی مناسب برای پش‌بینی قیمت نفت معرفی نموده‌اند. نتایج حاصل از اجرای مدل نشان می‌دهد با استفاده از مدل پیش‌بینی خاکستری می‌توان عملکرد پیش‌بینی قیمت نفت را به صورت چشم‌گیری بهبود بخشید و نتایجی با خطای کم‌تر و دقت بیش‌تر به دست آورد.
In world economy, crude oil is considered as one of the most strategic commodities playing a vital role in the determination of many regional and global equations. So, it is well known that an intense fluctuation of the oil price causes large recession in OPEC countries. So many researchers attempt to forecast crude oil price while oil market is one of the most complex, turbulent and chaotic international financial markets. In present research, gray system theory is utilized to model and forecast the price of crude oil. The results represent that gray forecasting model significantly improves the accuracy of the forecasting operation.
منابع
- امیری، حسین، رحمانی، تیمور، رافعی، میثم (1391). استخراج منحنی فیلیپس کینزین جدید و تحلیل مدل‌های قیمت گذاری. فصلنامه مدلسازی اقتصادی، 6 (19): 20-1.
- پدرام، مهدی، شیرین بخش، شمس الله، رضایی ابیانه، بهاره (1391). بررسی اثرات نامتقارن نوسانات نرخ ارز بر قیمت کالاهای صادراتی. فصلنامهتحقیقاتمدلسازیاقتصادی. (165): 9-143.
- شهبازی، کیومرث، اصغرپور، حسین، محرم زاده، کریم (1391). تاثیر فرآورده‌های نفتی بر رشد اقتصادی در استان‌های کشور. فصلنامه مدلسازی اقتصادی، 6 (17): 44-25.
- مکیان، سیدنظام الدین، موسوی، سید فاطمه السادات (1391). پیش بینی قیمت سهام شرکت فراورده‌های نفتی پارس با استفاده ازشبکه عصبی و روش رگرسیونی. فصلنامه مدلسازی اقتصادی،
6 (18): 121-105.
- Behradmehr, N. (1387). Oil price forecasting with using ANNs and wavelet smoothing. Journal of studies energy economic, 18: 81-98.
- Bidabadi, B. &Peykarjou, K. (1386). Simulation and forecasting for universal oil price, Journal of economical: 83-117.
- Deng, J.L. (1989). Introduction to grey system theory. Journal of Grey system, 1(1): 1-24.
- Hsu, C ,Wangch. Forecasting the output of integrated circuit industry using a grey model improved by the Bayesian analysis. (2007). Technol forecast socchange . 6, (74): 843-53.
- Hui-Wentt, V. Tang. & Mu-Shang, Y., Forecasting performance of grey prediction for education expenditure and school enrollment,(2012). Economic of Education Review, 31: 452-462.
- Hsu., Li-Chang,.Using improved grey forecasting models to forecast the output to opto-electronics industry, (2011).Expert systems with applications, 38: 13879-13885.
- Hsu, C., Chen, C. Applications of improved grey prediction model for power demand forecasting. (2003). Energy convers manage, 14, ( 44): 2241-9.
- Hsu, C. Applying the grey prediction model to the global integration circuit industry.( 2003). Technol forecast sochange, 6, (70): 563-74.
- Khashei,M. Bijari, M. Application hybrid ANNs and fuzzy regressive for gold price forecasting.1389,Journal of industrial engineering, 44, (1): 39-47.
- Kayacan, E,.Ulutas, B. ,.&Kaynak,O., Grey system theory-based model in time series prediction .(2010). Expert systems with applications, 37: 1784-1789.
- 11.Liu ,S.F., Buffer operator its application,(1992).Theor.Pract.Grey system. 2: 45-50.
- Liu, S.F., Dang, Y.G., & Fang, Z.G. Fang. (2004). Grey system Theory and its application. Third ed. Science press, Beijing.
- Lin. ,Yong - Huang ,P. Chan, & Lee , chang,T., Adaptive and high-precision grey forecasting model,(2009). Expert systems with applications, 36: 9658-9662.
- Mu-Shang, Y., Hui-wen, Tang,V., On the fit and forecasting performance of grey prediction models for china labor formation,(2013). Mathematical and computer modeling, 57: 357-365.
- Ruey,.Chyn.Tsaur,T. The development of an interval grey regression model for limited time series forecasting. (2010). Expert systems with applications, 37: 1200-1206.
- Shang-Lingou,. Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm. (2012). Computers and Electronics in agriculture, 85: 33-39.
- SifengLin,Lin, Y., Grey Information Theory and Practical Applications, (2006). Springrer-Verlag London Limited.
- Wang.,Chao,.& Hung, Predicting tourism demand using fuzzy time series and hybrid grey theory. (2004). Tourism Management: 367-374.
- Wang, Z.L., Liu, S.F., Extension of grey superiority analysis. (2005). IEE Trans. Syst ,Man Cybern.Conf.1: 616-621.
- Wen, .K.L,et al., Grey system theory and applications .(2009).Wunan Publisher, Taipei.
- Wang, J .,.Zhu, S. , Zhao, W.,&Wen,J. Optimal parameters estimation and input subset for grey model based on chaotic particle swarm optimization algorithm, (2011).Expert system with Applications, 38: 8151-8158.