الهام حاجی کرم

پیش بینی روند قیمت نفت خام و نوسانات آن همواره یکی از چالش های پیش روی معامله گران در بازارهای نفتی بوده است. این مقاله به پیش بینی قیمت روزانه نفت خام برنت با یک مدل ترکیبی پیشنهادی می پردازد. نمونه آماری قیمت روزانه نفت خام برنت دریای شمال از ژوئیه سال 2008 تا ژوئیه سال 2016 می باشد که از میان کل قیمت های روزانه نفت در تمام بازارهای نفتی انتخاب شده است. در این پژوهش، برای پیش بینی مدلی از ترکیب روش های آماری و هوش مصنوعی (PCA-SVR) ارائه می شود. با توجه به اثبات برتری دقت پیش بینی مدل رگرسیون بردار پشتیبان (SVR)[1] نسبت به سایر روش های پیش بینی در مطالعات گذشته هدف اصلی در این پژوهش، بهبود پیش بینی رگرسیون بردار پشتیبان با استفاده از پیش پردازش اولیه داده ها به وسیله آنالیز مولفه های اصلی (PCA)[2] است. جهت انجام پژوهش پس از انجام آزمون مانایی، با استفاده از آنالیز مولفه های اصلی متغیرهای ورودی را به مولفه های اصلی که کل پراکندگی داده ها را پوشش می دهد تبدیل نموده و به عنوان ورودی برای مدل پیش بینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان و شبیه سازی آن در نرم افزار متلب اقدام به پیش بینی قیمت روزانه نفت خام برنت نمودیم. به منظور مقایسه عملکرد مدل های SVR و PCA-SVR از آزمون مقایسات زوجی استفاده نمودیم. نتیجه پژوهش بیانگر این موضوع بود که پیش پردازش اولیه به وسیله آنالیز مولفه های اصلی بر روی داده ها باعث کاهش خطای مدل پیشنهادی گردیده است. [1]. Support Vector Regression [2]. Principal Components Analyses