درخت حوزه‌های تخصصی

در این مقاله تلاش شده است با استفاده از ترکیب تبدیل موجک و شبکه عصبی مدلی به منظور پیش بینی روزانه قیمت گاز طبیعی ارائه شود. در این مدل ترکیبی، از موجک گسسته دابیشز به منظور تجزیه سری زمانی قیمت استفاده شده ، سپس ضرایب تقریبات و جزئیات مؤثر به عنوان ورودی شبکه عصبی به منظور پیش بینی قیمت گاز طبیعی هنری هاب به عنوان مرجعی برای قیمت گاز طبیعی در آمریکا به کار رفته است. مقایسه عملکرد نسبی مدل ترکیبی با مدل شبکه عصبی حاکی از آن است که مدل ترکیبی تبدیل موجک و شبکه عصبی عملکرد پیش بینی را در مقایسه با مدل شبکه عصبی بهبود بخشیده است. آزمون دیبولد ماریانو نیز این نتیجه را تأیید کرده است.

امروزه قیمت نفت نقش مهمی را در اقتصاد جهانی ایفا می کند و به عنوان یک عامل مهم و اثرگذار بر برنامه های دولت ها و بخش های تجاری و بازرگانی اهمیت فراوانی دارد. با توجه به اهمیت روز افزون نفت در بازارهای مالی، پیش بینی قیمت نفت خام همواره مورد علاقه بسیاری از فعالان بازار و سیاستگذاران بوده است. در این راستا، در این پژوهش، ضمن بررسی و انجام آزمون غیرخطی برای داده های ماهانه قیمت نفت خام، به مدل سازی و پیش بینی قیمت نفت خام در بازارهای جهانی می پردازیم. برای این منظور از روش شناسی رگرسیون غیرخطی انتقال ملایم !supportFootnotes]-->[1] استفاده می کنیم. همچنین، به منظور مقایسه عملکرد پیش بینی های خارج از نمونه، مدل رگرسیون غیرخطی انتقال ملایم بر اساس بهینه سازی الگوریتم ژنتیک، مدل شبکه عصبی مصنوعی !supportFootnotes]-->[2] و مدل ARIMA را برآورد می کنیم. یافته های این پژوهش، تأییدکننده رفتار غیرخطی قیمت نفت خام و عملکرد بهتر مدل های غیرخطی نسبت به مدل ARIMAدر پیش بینی خارج از نمونه قیمت نفت خام برای افق 12 ماهه بر اساس معیارهای RMSE و MAE و DA است.