پیش‌بینی قیمت بنزین فوب خلیج‌فارس با استفاده از مدل‌های ARIMA و ARFIMA

محورهای موضوعی : اقتصاد مالی

حمید آماده ¹ , فرشید عفتی باران ² , امین امینی ³

1 - استادیار گروه اقتصاد انرژی، دانشگاه علامه طباطبایی، تهران، ایران.
2 - کارشناس ارشد اقتصاد انرژی، دانشگاه علامه طباطبایی، تهران، ایران
3 - کارشناس ارشد اقتصاد انرژی، دانشگاه علامه طباطبایی، تهران، ایران.

تاریخ دریافت : 1394/07/21 تاریخ پذیرش : 1394/09/24 تاریخ انتشار : 1393/12/20

کلید واژه: پیش‌بینی, ARIMA, قیمت بنزین, فوب خلیج‌فارس, ARFIMA. طبقه بندی JEL : Q30 و E37 و C53,

چکیده مقاله :

یکی از روش های مناسب در پیش بینی سری زمانی، تعمیم رفتار گذشته سری به آینده است. برای این منظور اولین قدم شناخت دقیق رفتار گذشته متغیر است. یکی از روش های الگوسازی رفتار گذشته سری زمانی مدل خود توضیح جمعی میانگین متحرک (ARIMA) است. در این پژوهش از مدل‌های ARIMA و ARFIMA برای پیش بینی قیمت هفتگی بنزین استفاده شد. همچنین پیش بینی مدل ARIMA با پیش‌بینی مدل خود توضیح کسری جمعی میانگین متحرک (ARFIMA) مقایسه شد. برای این منظور، از ابزارهای محاسباتی نرم افزار STATA12 و داده های سری زمانی قیمت بنزین فوب خلیج‌فارس از ابتدای سال 2009 تا هفته ۲۶ سال 2012 به‌صورت هفتگی که از سایت اوپک دریافت گردید، استفاده شد. نتایج تحقیق نشان داد که مدل ARFIMA(6,0.22,6) نسبت به مدل ARIMA(1,1,0) مدل مناسب تری برای پیش بینی قیمت بنزین است و میزان خطای کمتری دارد.

منابع و مأخذ:

فهرست منابع

1)    ابریشمی و دیگران، (بهار ۱۳۸۹). «پیش­بینی قیمت گازوئیل خلیج فارس، مبتنی بر تحلیل تکنیکی و شبکه­های عصبی». فصلنامه مطالعات اقتصاد انرژی// سال هفتم/ شماره ۲۴/ ص ۱۷۱-۱۹۲.

2)    ابریشمی و دیگران. پاییز ۱۳۸۷. «مدل­سازی و پیش­بینی قیمت بنزین با استفاده از شبکه عصبی GMDH». فصلنامه پژوهش­های اقتصادی ایران/ سال دوازدهم/ شماره ۳۶/ ص ۳۷-۵۸.

3)    ابریشمی و دیگران. بهار ۱۳۸۶. «ارزیابی عملکرد مدل­های پیش­بینی قیمت با استفاده از مدل ARCH». مجله تحقیقات اقتصادی/ شماره ۷۸/ صفحات ۱-۲۱.

4)    خالوزاده، حمید و دیگران، (۱۳۷۷). پیش‌بینی قیمت سهام در بازار بورس تهران با استفاده از مدل‌های خطی و غیرخطی، مجله علمی- پژوهشی مدرّس، دانشگاه تربیت مدرّس.

5)    سلیمانی کیا، فاطمه. مدل­سازی و پیش­بینی قیمت بنزین با استفاده از شبکه عصبی GMDH. پایان‌نامه کارشناسی ارشد اقتصاد انرژی. دانشکده اقتصاد دانشگاه تهران. بهار ۱۳۸۷.

6)    محمدی، شاپور و چیت­سازیان، هستی، (زمستان ۱۳۹۰). «بررسی حافظه بلندمدت بورس اوراق بهادار تهران». نشریه تحقیقات اقتصادی دانشگاه تهران/ شماره ۹۷/ ص ۲۰۲-۲۲۱.

7)    محمدی و دیگران. پاییز ۱۳۸۹. «بررسی روند حافظه بلندمدت در بازارهای جهانی نفت. فصلنامه تحقیقات مدلسازی اقتصادی»/ شماره ۱ / ص ۲۹- ۴۸.

8)    Alvarez-Ramirez, Jose and Cisneros, Myriam, (2002), “Multifractal Hurst analysis of crude oil prices”, Physica A 313, 651-670.

9)    Alvarez-Ramirez, Jose, Alvarez, Jesus, and Rodriguez, Eduardo, (2008), “Shortterm predictability of crude oil markets: Adetrended fluctuation analysis approach”, Energy Economics 30, 2645-2656.

10)   Fernandez,v (2005). “Forecasting commodity prices by classification methods: The cases of crude oil and natural gas spot prices".

11)   Imad Haidar, Siddhivinayak Kulkarni: “Daily prediction of short-term trends of crude oil prices”. Frontiers of Computer Science in China 3(2): 177-191 (2009)

12)   Khaloozadeh, H., Khaki, S. and Caro, L. 2001. “Long Term Prediction of Tehran. Price Index (TEPIX) Using Neural Network”. Proceeding of the 2nd Iran Armenian Workshop on Neural Networks, 139-145.

13)   Lin,J (2010). “Empirical study of Gold price Based on ARIMA and GARCH Models”, Stockholm's universities.

14)   Tkacz, G. 2001. Neural Network Forecasting of Canadian GDP Growth International Journal of Forecasting, 17: 57-69.

15)   Wu, S. I. and Lu, R. P. 1993. “Combining Artificial Neural Network and Statistics for Stock Market”. Forecasting, 257-264