ارائه الگوی ترکیبیFARIMA با به کارگیری روشهایARIMA و رگرسیون فازی جهت پیش بینی قیمت جهانی نفت خام

محورهای موضوعی : اقتصاد کاربردی

قدرت الله امام وردی ¹ , مریم شهابی طبری ²

1 - ندارد
2 - مسئول مکاتبات

تاریخ دریافت : 1392/05/10 تاریخ پذیرش : 1392/11/02 تاریخ انتشار : 1392/01/01

کلید واژه: مدل اتورگرسیو میانگین متحرک ان, مدل اتورگرسیو میانگین متحرک ان, پیش بینی, قیمت جهانی نفت خام,

چکیده مقاله :

مدل ARIMA، مدل پیش بینی دقیقی برای بازه کوتاه مدت می باشد ولی محدودیت تعداد داده های گذشته را نیز دارد. در جامعه کنونی، با توجه به شرایط نااطمینانی و همین طور رشد سریع تکنولوژی، نیاز به پیش بینی در بازه کوتاه مدت احساس می شود. معمولا داده های در دسترسکمتر از آن تعدادی است که در مدل ARIMA باید به کار گرفته شود. در این میان مدلهای رگرسیون فازی قادرند با داده های اندک و در شرایط نااطمینانی به پیش بینی مقادیر بپردازند. اما نتایج حاصل از این مدلها نیز معمولا به دلیل گستردگی بازه پیش بینی نمی تواند چندان قابل اتکا باشد. بنابراین محققین سعی بر ارائه روشی دارند که بتواند علاوه بر استفاده از مزایای هر دو روش، معایب آنها را نیز بکاهد. لذا در این مقاله، مدل ترکیبی میانگین متحرک خودرگرسیون انباشته فازی (FARIMA) به منظور پیش بینی قیمت جهانی نفت خام پیشنهاد شده است. یافته ها بیانگر بهبود نتایج در روش پیشنهادی می باشند.

چکیده انگلیسی:

The ARIMA model is a precise forecasting model for short time periods, but the limitation of a large amount of historical data is required. However, in our society, due to uncertainty and rapid development of new technology, we usually have to forecast future situations using little data in a short span of time. The historical data must be less than what the ARIMA model employs which limits its application. The fuzzy regression is able to forecast model which is suitable for the uncertain condition and with little attainable historical data. But the results of this model cannot be encouraging because the spread is wide in some cases. The researchers do try to combine the advantages of the fuzzy regression and ARIMA models to formulate the FARIMA model and to overcome the limitations of the fuzzy regression and ARIMA model. Therefore, in this study, a synthetic fuzzy auto regressive integrated moving average (FARIMA) is employed to forecast crude oil price. The findings show that the proposed method can get more satisfactory results.