ارزیابی عملکرد الگوهای شبکهی عصبی و خودرگرسیون میانگین متحرک در پیش بینی قیمت نفت خام ایران(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت نفت خام ایران انجام شده است داده های مورد استفاده به صورت هفتگی و شامل دورهی 2010-1997 میباشد و پیش بینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیش بینی، شامل 4 الگوی شبکهی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکهی پیشخور پس انتشار، شبکهی آبشاری پس انتشار، شبکهی المان پس انتشار و شبکهی رگرسیون تعمیم یافته می باشد. هم چنین توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبهی نیوتنی است. یافته های به دست آمده نشان میدهد برای پیش بینی 10 درصد از داده های قیمت نفت خام، الگوهای شبکهی رگرسیون تعمیم یافته و شبکهی آبشاری پس انتشار با تابع آموزش شبهی نیوتنی، به ترتیب با خطایی کم تر از 1 و کم تر از 2 درصد دارای بهترین عملکرد هستند. برای پیش بینی 20 درصد داده های قیمت نفت خام ایران، شبکهی پیشخور پس انتشار و شبکهی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر میباشند. در مورد 30 درصد از داده ها نیز شبکهی پیشخور پس انتشار مطلوب تر ارزیابی شده است. هم چنین نتایج نشان میدهد به طور نسبی با افزایش درصد داده های مورد استفاده در پیش بینی، دقت پیش بینیها به ویژه با افزایش از 10 درصد به 20 درصد رو به افول میرود. دقت پیش بینی خودرگرسیون میانگین متحرک نیز پایین تر از الگوهای شبکهی عصبی ارزیابی میشود.