پیش‌بینی قیمت هفتگی نفت خام از طریق مدل ترکیبی ماشین بردار پشتیبان و خودرگرسیو میانگین متحرک انباشته
محورهای موضوعی : دانش سرمایهگذاریشاپور محمدی 1 , رضا راعی 2 , حسین کرمی 3
1 - دانشیار، مدیریت مالی، دانشگاه تهران، دانشکده‌ی مدیریت
2 - استاد، مدیریت مالی، دانشگاه تهران، دانشکده‌ی مدیریت
3 - کارشناسی ارشد، مدیریت مالی، دانشگاه تهران، دانشکده‌ی مدیریت (مسئول مکاتبات)
کلید واژه: خودرگرسیو میانگین متحرک انباشت, ماشین بردار پشتیبان(SVM), مدل ترکیبی, مانایی,
چکیده مقاله :
همواره پیش بینی روند قیمت و نوسانات یکی از چالش های پیش روی معامله گران در بازارهای بورس نفت بوده و پیش بینی قیمت ها به عنوان یک امر ضروری وکاربردی مطرح می شود ولیکن باید پیش بینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد. به منظور پیش بینی قیمت هفتگی نفت خام برنت به عنوان یک نفت شاخص با توجه به دشوار بودن شناسایی دقیق الگو های خطی و غیرخطی در سری های زمانی اقتصادی و مالی از ترکیب مدل های خودرگرسیو میانگین متحرک انباشته(ARIMA) با این پیش فرض که سری زمانی دارای الگوی خطی می باشد و ماشین بردار پشتیبان(SVM)که توانایی بالایی در مدل سازی الگو های غیرخطی دارد به منظور افزایش دقت پیش بینی استفاده شده است. با توجه به آزمون مقایسه زوجی معیارهای ارزیابی عملکرد ریشه میانگین مجذور خطا(RMSE) و میانگین قدرمطلق درصد خطا(MAPE) که حاصل مقادیر پیش بینی شده و مقادیر واقعی هر یک از مدل ها هستند، نتایج بیانگر این موضوع بودند که در بیشتر موارد مدل ترکیبی خطای کمتری در پیش بینی قیمت نفت خام نسبت به کاربرد مجزای مدل های خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان دارد.
Fluctuations in crude oil prices in addition to affect the economy of the exporting countries, is one of the sources of disruption in oil-dependent economy. Always predict the price and volatility has been of the challenges facing traders in oil markets and price forecast is raised as an imperative and functional however, should be noted forecasts that will take place in more accurate and less error than the observed actual results. In order to predict the weekly price of Brent crude oil as an oil indicator given the difficulty of accurately identifying linear and nonlinear models in economic and financial time series from combining Autoregressive Integrated Moving Average models (ARIMA) by the assumption that the time series have a linear pattern and support vector machine (SVM) which has great potential in modeling nonlinear model is used to enhance the accuracy of prediction. Given two paired comparison performance criteria of root mean square error test (RMSE) and the mean absolute magnitude percentage error (MDAPE) which are resulting from the predicted values and actual values for each model, this indicates that in most cases the hybrid model provide smaller errors in predicting the future price of crude oil as compared to the individual applications of autoregressive integrated moving average models and the support vector machine.
