مطالب مرتبط با کلیدواژه

آریما


۱.

بررسی خشکسالی، تر سالی و پیش بینی تغییرات اقلیم منطقه بیرجند(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیایی ۱۳۸۴ شماره ۵۲

کلیدواژه‌ها: بیرجند تغییرات اقلیمی خشکسالی و ترسالی آریما

حوزه های تخصصی:
تعداد بازدید : ۱۸۵۰
این تحقیق به منظور بررسی اقلیم ایستگاه سینوپتیک بیرجند وشناخت نوسانات اقلیمی، به ویژه خشکسالی ها و ترسالی ها و ارائه مدلی مناسب جهت پیش بینی نوسانات اقلیمی صورت گرفته است. آمار ماهانه بارش و دمای بیرجند در دوره آماری (20001-1955) استخراج گردید. با استفاده از روش رگرسیون داده های ناقص برآورد و همگنی داده ها توسط آزمون توالی ها بررسی شد. با استفاده از مدل های باکس-جنکینز سری های زمانی بارش و درجه حرارت بررسی و بهترین مدل برازش داده شد. صحت و دقت مدل ها بر اساس آمارهای SBC,AIC و تحلیل نمودار توابع خودهمبستگی و خودهمبستگی جزئی تأیید گردید. مدل مناسب بارش ماهانه (1،1،0) × ( 1 ،1 ،0) و میانگین درجه حرارت ماهانه (1،1،0) × (1،1،1) بدست آمد . شدت و تداوم خشکسالی ها و ترسالی ها با استفاده از نمره Z (استاندارد ) به صورت فصلی و سالانه باتوجه به جدول شماره (2)هایم و کوتیل مورد بررسی قرار گرفت. به عنوان نمونه تداوم خشکسالی های چهار تا پنج سال در فصل زمستان دو مورد بوده که از خشکسالی شدید در این دوره ها حکایت دارد. از مجموع 47 سال فصل زمستان 28 فصل خشک و 19 فصل مرطوب را داراست.
۲.

بررسی خشکسالی، ترسالی و پیش بینی تغییرات اقلیم منطقه بیرجند با استفاده از مدل های آماری(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات جغرافیایی سال ۱۳۷۸ شماره ۵۴ و ۵۵

کلیدواژه‌ها: بیرجند تغییرات اقلیمی خشکسالی و ترسالی آریما

حوزه های تخصصی:
تعداد بازدید : ۱۷۶۲ تعداد دانلود : ۱۵۳۳
این تحقیق به منظور بررسی اقلیم ایستگاه سینوپتیک بیرجند و شناخت نوسانات اقلیمی، به ویژه خشکسالی ها و ترسالی ها و ارائه مدلی مناسب جهت پیش بینی نوسانات اقلیمی صورت گرفته است. آمار ماهانه بارش و دمای بیرجند در دوره آماری (2001-1955) استخراج گردید. با استفاده از روش رگرسیون داده های ناقص برآورد و همگنی داده ها توسط آزمون توالی ها بررسی شد. با استفاده از مدل های باکس – جنکینز سری های زمانی بارش و درجه حرارت بررسی و بهترین مدل برازش داده شد. صحت و دقت مدل ها بر اساس آمارهای SBC,AIC و تحلیل نمودار توابع خودهمبستگی و خودهمبستگی جزئی تایید گردید. مدل مناسب بارش ماهانه (?، ?، ?) × (?، ?، ?) و میانگین درجه حرارت ماهانه (?، ?، ?) × (1،1،1) بدست آمد. شدت و تداوم خشکسالی ها و ترسالی ها با استفاده از نمره Z (استاندارد) به صورت فصلی و سالانه با توجه به جدول شماره (2) هایم و کوتیل مورد بررسی قرار گرفت. به عنوان نمونه تداوم خشکسالی های چهار تا پنج سال در فصل زمستان دو مورد بوده که از خشکسالی شدید در این دوره ها حکایت دارد. از مجموع 47 سال فصل زمستان 28 فصل خشک و 19 فصل مرطوب را داراست.
۳.

بررسی خشکسالی، ترسالی و پیش بینی پارامترهای اقلیمی بارش و درجه حرارت منطقه شیراز با استفاده از روش های استوکستیک(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی پاییز ۱۳۹۱ شماره ۴۱

کلیدواژه‌ها: بارش درجه حرارت آریما روش های استوکستیک

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۳۰۵ تعداد دانلود : ۶۳۱
مدل­های استوکستیک به عنوان یک روش جهت بررسی تغییرات آب و هوایی آینده مورد استفاده قرار می­گیرند. در میان پارامترهای هواشناسی بارش و دما به عنوان شاخص­های اصلی مطرح می­باشند. هدف از پژوهش حاضر تحلیل وضعیت پارامترهای اقلیمی بارش و متوسط درجه حرارت ماهانه، بررسی خشکسالی­ها و ترسالی­های ناشی از کمبود بارش، شبیه­سازی و پیش­بینی پارامترهای مورد مطالعه با استفاده از روش­های استوکستیک می­باشد. در این تحقیق از آمار 21 ساله بارش و متوسط درجه حرارت ماهانه ایستگاه سینوپتیک شیراز استفاده شده است و براساس مدل آریما و روش خود همبستگی و خود همبستگی جزیی و با ارزیابی تمامی الگوهای احتمالی به لحاظ ایستا بودن و بررسی پارامترها و انواع مدل­ها، مدل مناسب جهت پیش­بینی بارش ماهانه، ARIMA(0 0 0)(2 1 0)12 و جهت پیش­بینی متوسط درجه حرارت ماهانه، ARIMA(2 1 0)(2 1 0)12 به دست آمد و پس از اعتبارسنجی و ارزیابی مدل، پیش­بینی سال­های زراعی 88-1387 و 89-1388 انجام گرفت. با توجه به پیش­بینی صورت گرفته با وجود تداوم خشکسالی، احتمال افزایش بارش وجود دارد. در مورد متوسط درجه حرارت ماهانه نیز روند صعودی دما بویژه در سال­های اخیرادامه داشته و نتایج پیش­بینی، نشان­دهنده افزایش دما همراه با کاهش دامنه تغییرات می­باشد.
۴.

واکاوی تاثیر شهر بر تغییرات سالانه دما در شمال شرق ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال چهاردهم زمستان ۱۳۹۳ شماره ۳۵

کلیدواژه‌ها: آریما آزمون t روند دما من کندال شمال شرق

حوزه های تخصصی:
تعداد بازدید : ۱۲۴۱ تعداد دانلود : ۵۶۵
به منظور بررسی تاثیر شهر بر دمای سالانه در شمال شرق ایران، از داده های ایستگاه های مشهد، سبزوار، تربت حیدریه، بیرجند و بار در بازه زمانی 1960 تا 2011 استفاده شد. داده های دمای میانگین، کمینه و بیشینه سالانه، تا سال 2011 از سازمان هواشناسی دریافت و سال های فاقد داده به روش رگرسیون جایگزین گردید. برای سری دمای میانگین سالانه ایستگاه ها با توجه به نمودار خودهمبستگی و خودهمبستگی جزئی، مدل آریماانتخاب و جهت صحت و برازش هر مدل از معیارهای، ریشه میانگین مربعات خطا، قدرت توجیه و فرض تصادفی بودن باقیمانده ها استفاده شد. مدلAR(2,1,0) برای سری دمای میانگین مشهد و بیرجند، مدل AR(1,1,0)برای دمای میانگین سبزوار، مناسب ترین مدل تشخیص داده شدند. جهت تشخیص روند و تغییرات در هر سری از آزمون من کندال و t استفاده شد، در آزمون t، میانگین دهه اول هر سری با میانگین دهه اخیر آزمون گردید، ایستگاه ها بر اساس موقعیت به دو دسته داخل محدوده شهری و خارج از محدوده شهری تقسیم شدند. نتایج نشان می دهد روند دما در ایستگاه های داخل شهر و خارج شهر کاملا متفاوت است، دمای میانگین، بیشینه وکمینه سالانه در ایستگاه های داخل محدوده شهری روند افزایشی نشان دادند، در حالیکه در ایستگاه های خارج از شهرها دمای میانگین سالانه بدون روند و حتی دمای بیشینه ایستگاه های تربت حیدریه، بار و دمای کمینه بیرجند روند، کاهشی بوده است.
۵.

پیش بینی قیمت نفت خام اوپک با استفاده از مدل خودبازگشتی میانگین متحرک انباشته فازی

سایر: نویسنده:
منبع: اقتصاد محیط زیست و انرژی سال دوم زمستان ۱۳۹۱ شماره ۵

کلیدواژه‌ها: اوپک رگرسیون فازی آریما پیش بینی قیمت نفت رگرسیون خودبازگشتی میانگین متحرک انباشته فازی

حوزه های تخصصی:
تعداد بازدید : ۱۱۷۴ تعداد دانلود : ۶۰۲
عوامل زیادی بر قیمت نفت خام تأثیر می گذارند از این رو استفاده از یک مدل چند متغیری که تمام عوامل مؤثر بر قیمت نفت را لحاظ کرده باشد کاری دشوار است. به همین دلیل، پیش بینی این متغیر از طریق مدل های چند متغیری بسیار دشوار است. در این حالت ممکن است استفاده از مدل های تک متغیری روش مناسبی باشد. در این مدل ها از حافظه تاریخی متغیر برای مدل سازی و پیش بینی استفاده می شود. اما یکی از محدودیت های مدل های تک متغیری این است که برای حصول نتایج مناسب نیاز به داده های زیادی دارند. از آنجا که مدل های رگرسیون فازی برای پیش بینی دقیق نیاز به تعداد داده های کم تری دارند، در این تحقیق، از سه روش رگرسیون فازی، آریما و رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (ترکیب دو روش مذکور) و از داده های روزانه قیمت نفت اوپک برای پیش بینی قیمت نفت خام اوپک استفاده شده است. نتایج حاکی از این است که مدل های رگرسیون فازی و رگرسیون خودبازگشتی میانگین متحرک انباشته فازی علاوه بر این که از نظر تمام معیارهای متداول خطای پیش بینی، عملکرد بهتری نسبت به مدل آریما دارند با فراهم کردن بهترین و بدترین حالت، تصمیم گیری را نسبت به مدل آریما تسهیل کرده است. همچنین مدل ترکیبی به مراتب پیش بینی بهتری نسبت به مدل رگرسیون فازی ارائه می دهد و فاصله بازه تصمیم گیری را کوتاه تر می کند. تفاده از الگوی خودرگرسیون برداری (VAR) برآورد گردید. براساس نتایج مدل برآوردی، شوک های قیمت نفت در کوتاه مدت دارای تأثیر منفی بر تولید سبز است و علت آن این است که با استخراج نفت، استهلاک منابع طبیعی افزایش یافته و باعث کاهش تولید سبز می شود. اما در بلندمدت تأثیر مثبت بر تولید سبز دارد به این علت که در بلند مدت افزایش درآمد های نفتی باعث رشد واقعی سایر بخش ها می شود و این رشد استهلاک را جبران می کند.
۷.

پیش بینی نقدینگی موردنیاز دستگاه های خودپرداز با استفاده از مدل خطی(ARIMA) و غیرخطی (شبکه های عصبی)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سیاست های راهبردی و کلان سال دوم زمستان ۱۳۹۳ شماره ۸

کلیدواژه‌ها: پیش بینی دستگاه خودپرداز شبکه های عصبی آریما بانک مهر اقتصاد

حوزه های تخصصی:
تعداد بازدید : ۹۲۷ تعداد دانلود : ۴۹۹
هدف این مطالعه پیش بینی نقدینگی مورد نیاز دستگاه های خودپرداز با استفاده از دو مدل خطی و غیرخطی است. تامین منابع مالی در دستگاه های خودپرداز، از این نظر اهمیت دارد که لازمه فعال نگه داشتن خودپرداز در ارائه وجه نقد به متقاضیان و تامین اسکناس در دستگاه می باشد. نتایج چنین تحلیل هایی این امکان را ارائه می دهد که بتوان پیش بینی لازم برای تامین منابع مالی خودپرداز را بصورت هوشمند انجام داده و آن را در ساعات اوج تقاضا فعال نگه داشت. نمونه آماری پژوهش شامل 7 دستگاه خودپرداز بانک مهر اقتصاد خراسان رضوی طی سال های 1386-1389 بوده است. در این پژوهش تعیین میزان برداشت وجه نقد از دستگاه خودپرداز با استفاده از روش غیرخطی شبکه های عصبی مصنوعی با ساختار پروسپترون چند لایه و الگوریتم پس انتشار خطا و روش خطی ARIMA بررسی شده است تا مدل بهینه انتخاب شود. تقاضای برداشت وجه نقد از تاریخ 4/1386 تا 7/1389 (40 ماه) به عنوان داده های آموزش و از داده های آبان 1389 تا پایان 1389 به عنوان داده های آزمایشی در نظر گرفته شده است. نتایج به دست آمده نشان دهنده برتری مدل شبکه های عصبی مصنوعی نسبت به مدل ARIMA در پیش بینی وجه نقد مورد نیاز دستگاه خودپرداز بانک مهر اقتصاد می باشد.
۸.

پیش بینی بازده آتی بازار سهام با استفاده از مدل های آریما، شبکه عصبی و نویززدایی موجک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال دوم تابستان ۱۳۹۳ شماره ۲ (پیاپی ۵)

کلیدواژه‌ها: شبکه عصبی آریما پیش بینی برون نمونه ای شبکه عصبی موجکی نویززدایی

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات مدلسازی ریاضی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری بازده سهام
تعداد بازدید : ۸۴۵ تعداد دانلود : ۴۱۷
موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده و سپس به وسیله شبکه عصبی پیش بینی شده است. مقایسه خطای پیش بینی مدل های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل های آریما و شبکه عصبی دارد. همچنین، مدل های شبکه عصبی قدرت پیش بینی کنندگی بهتری را نسبت به مدل های آریما نشان می دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می نماید.
۹.

تعیین بهترین مدل سری زمانی در پیش بینی بارندگی سالانه ایستگاه های منتخب استان آذربایجان غربی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال هفدهم بهار ۱۳۹۶ شماره ۴۴

کلیدواژه‌ها: پیش بینی خودهمبستگی سری زمانی آریما بارندگی سالانه

حوزه های تخصصی:
تعداد بازدید : ۵۶۰ تعداد دانلود : ۲۰۴۳
بارندگی یکی از مهمترین اجزای چرخه آب بوده و به عنوان یکی از مهمترین مولفه های ورودی به چرخه های هیدرولوژیکی بشمار می رود که در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی را ایفا می کند. در این پژوهش برای پیش بینی بارندگی سالانه ایستگاه های سینوپتیک مهاباد، ارومیه و ماکو در استان آذربایجان غربی در دوره آماری 92-1363، از سری زمانی آریما استفاده شد. برای بررسی ایستایی مدل توابع خودهمبستگی (ADF) و خودهمبستگی جزیی (PACF) بکار رفت و با روش تفاضل گیری داده های ناایستا به داده ایستا تبدیل شدند. با ایستا کردن داده ها از مدل های تصادفی برای پیش بینی میانگین بارندگی سالانه استفاده گردید. با در نظر گرفتن معیارهای ارزیابی مدل شامل آماره T، P-VALUE کمتر از 05/0 و معیار اطلاعات بیزی (BIC), مدل(1,0,0) ARIMA، مدل(0,1,1) ARIMA و مدل(0,1,1) ARIMA به ترتیب در ایستگاه های ارومیه، ماکو و مهاباد به عنوان مدلی مناسب جهت پیش بینی بارندگی سالانه تعیین و بارش به مدت سه سال (95-1392) پیش بینی شد. نتایج نشان دهنده افزایش بارش است که براساس آمار بارندگی موجود در سال های مربوطه، نتایج مدل برازش یافته قابل قبول است.
۱۰.

پیش بینی شاخص قیمت سهام با استفاده از مدل هیبریدی(مقاله علمی وزارت علوم)

نویسنده:
منبع: بورس اوراق بهادار سال نهم پاییز ۱۳۹۵ شماره ۳۵

کلیدواژه‌ها: شبکه عصبی پویا آریما مدل هیبریدی هموارسازی نمایی پیش بینی پذیری

حوزه های تخصصی:
تعداد بازدید : ۶۵۹ تعداد دانلود : ۴۰۰
پیش بینی شاخص قیمت بازار سهام به علت تاثیرپذیری آن از بسیاری عوامل اقتصادی و غیراقتصادی همواره امری مهم و چالش برانگیز بوده، به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیش بینی آن امری دشوار می باشد. از طرفی سری های زمانی دنیای واقعی، برای مثال سری زمانی شاخص قیمت سهام، به ندرت دارای ساختاری کاملاً خطی و یا غیرخطی است. مدل های هموارسازی نمایی، میانگین متحرک خودرگرسیون انباشته (آریما) و شبکه عصبی خودرگرسیون غیرخطی می تواند برای پیش بینی بر اساس سری های زمانی استفاده گردد. در این پژوهش به منظور استفاده از مزیت های هریک از این مدل ها و کاهش خطای پیش بینی، روشی هیبریدی با استفاده از ترکیب خطی نتایج پیش بینی این مدل ها آزمون شده است. وزن های بکاررفته به منظور ترکیب نتایج با استفاده از الگوریتم ژنتیک و همچنین بکارگیری وزن های مساوی تعیین گردیده است. پس از مشخص شدن قابلیت پیش بینی پذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس)، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد. نتایج بدست آمده نشان دهنده کاهش خطای پیش بینی های صورت گرفته توسط مدل هیبریدی (در حالت استفاده از وزن های مساوی) نسبت به مد ل های تشکیل دهنده آن است.
۱۱.

سنجش میزان تبعیت از نظریه گام تصادفی در شاخص های صنایع مختلف بورس تهران با استفاده از مدل مارکف سوئیچینگ(مقاله علمی وزارت علوم)

نویسنده:
منبع: راهبرد مدیریت مالی سال نهم بهار ۱۴۰۰ شماره ۳۲ 79 - 92

کلیدواژه‌ها: آریما شکل ضعیف کارایی گام تصادفی مارکوف سوئیچینگ

حوزه های تخصصی:
تعداد بازدید : ۳۸۲ تعداد دانلود : ۲۹۶
این مطالعه به جستجوی وجود یا عدم وجود استقلال در سری های بازده در 9 شاخص صنایع مختلف و شاخص 50 شرکت برتر و شاخص کل بورس اوراق بهادار تهران و شاخص اس اند پی بورس اوراق بهادار نیویورک و میزان تبعیت آن ها از مدل گشت تصادفی در دو رژیم کم نوسان و پر نوسان با استفاده از مدل مارکوف سوئیچینگ می پردازد. نمونه پژوهش، شامل اطلاعات قیمت های روزانه تمامی شرکت های پذیرفته شده در بورس تهران در قالب شاخص کل و 50 شرکت برتر و همچنین 9 شاخص صنایع مختلف بانک، سیمان، فراورده های نفتی، ماشین آلات، شیمیایی، خودرو، قند و شکر، غذایی به جز قند، کانه های فلزی در بورس اوراق بهادار تهران و شاخص اس اند پی بورس اوراق بهادار نیویورک برای بازه زمانی 05/01/1390 تا 28/12/1397 بود. نتایج مدل مارکوف سوئیچینگ و آریما نشان داد فقط در رژیم پر نوسان شاخص های اس اند پی بورس اوراق بهادار نیویورک، با ماندگاری 32 درصد و شاخص فراورده های نفتی بورس اوراق بهادار تهران با ماندگاری 6 درصد، مدل آریما معنادار نیست و در مابقی موارد مدل آریما معنادار می باشد
۱۲.

بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل های کلاسیک در پیش بینی قیمت سهام شرکت های سرمایه گذاری(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مالی دوره ۱۹ تابستان ۱۳۹۶ شماره ۲ 299 - 318

کلیدواژه‌ها: آریما پیش بینی قیمت سهام تابع آموزش بیزین تابع آموزش لونبرگ مارکوات شبکه عصبی

حوزه های تخصصی:
تعداد بازدید : ۲۲۰ تعداد دانلود : ۱۰۵
پیش بینی دقیق قیمت سهام، با توجه به نوسان های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه های اصلی سرمایه گذاران و تحلیل گران مالی است، از این رو به کارگیری رویکردهای نوین پیش بینی قیمت سهام ضرورت اجتناب ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسه عملکرد مدل های پیش بینی شبکه عصبی با مدل های کلاسیک و معرفی مدل مناسب برای پیش بینی قیمت روز آتی سهام است. برای طراحی مدل پیش بینی با شبکه عصبی، از داده های قیمت روزانه بازار و شاخص های تکنیکی مالی به عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده های قیمت بسته شدن روزانه به عنوان متغیر ورودی و همچنین قیمت بسته شدن روز آتی به عنوان متغیر خروجی هر دو مدل در دوره زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به دست آمده با شبکه عصبی بیزین بیان کننده خطای کمتر و قدرت پیش بینی بیشتر آن در مقایسه با مدل آریما است. یافته های تحقیق گویای کارایی بیشتر شبکه عصبی بیزین در استفاده از فرصت های سرمایه گذاری کوتاه مدت بازار است که می تواند به سرمایه گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.
۱۳.

طراحی الگوی بازار نفت و مقایسه پیش بینی های قیمت نفت خام(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مدل سازی اقتصادی بهار ۱۴۰۱ شماره ۴۷ ۱۱۴-۷۳

کلیدواژه‌ها: قیمت نفت خام پیش بینی قیمت شبکه عصبی آریما سیستم معادلات همزمان

حوزه های تخصصی:
تعداد بازدید : ۱۶۴ تعداد دانلود : ۱۴۱
قیمت نفت خام از عوامل موثر بر شاخص های اقتصادی می باشد. از این رو پیش بینی قیمت نفت همواره مورد بحث اقتصاددانان بوده است. در این پژوهش به منظور پیش بینی قیمت نفت، بر اساس نظریه رقابتی مک اوی، تاثیر کلیه متغیرهای موثر بر عرضه و تقاضای نفت خام بررسی و با استفاده از سیستم معادلات همزمان و روش های آماری مرسوم، معادلات عرضه و تقاضا برآورد گردید. سپس با فرض برابری عرضه و تقاضای نفت در بلندمدت، کشش های بلندمدت عرضه و تقاضای نفت نسبت به هریک از متغیرهای موجود در مدل استخراج گردید. محاسبات نشان داد بیشترین تاثیر بر قیمت نفت را تولید ناخالص داخلی جهان با کشش تقاضای 6039/0 و کمترین تاثیر را تنش های نظامی و امنیتی جهان با کشش تقاضای 0110/0- دارند. پس از برآورد الگو به مقایسه دقت پیش بینی سه روش تلفیقی شامل شبکه عصبی و سیستم معادلات همزمان، آریما و سیستم معادلات همزمان، شبکه عصبی و آریما و سیستم معادلات همزمان با روش های مرسوم و تک متغیره شبکه عصبی و آریما پرداخته شد. نتایج بیانگر آن بود که روش تلفیقی آریما و سیستم معادلات همزمان در پیش بینی 5 ساله و روش تلفیقی شبکه عصبی و آریما و سیستم معادلات همزمان در پیش بینی 10 ساله از قدرت پیش بینی کنندگی بهتری نسبت به روش های مرسوم و تک متغیره شبکه عصبی و آریما برخوردار می باشند.