Quarterly Journal of Economic Research and Policies
فصلنامه پژوهش ها وسیاست های اقتصادی
qjerp
Literature & Humanities
http://qjerp.ir
1
admin
1027-9024
1027-9024
8
10.61186/qjerp
14
8888
13
fa
jalali
1390
7
1
gregorian
2011
10
1
19
59
online
1
fulltext
fa
معرفی الگوهای مناسب پیشبینی قیمت گازوییل
Introducing Appropriate Models to Forecast Gas-oil Price
عمومى
General
پژوهشي
Research
<div align="justify" style="direction: rtl">
این مطالعه با هدف معرفی الگوهای مطلوب پیشبینی برای قیمت گازوییل در بازار انرژی سنگاپور به عنوان بازار مؤثر بر قیمت گازوییل در خاورمیانه انجام شد. دادههای مورداستفاده بهصورت هفتگی و شامل دوره (2010-1987) میباشد. پیشبینیها برای 10، 20 و 30 درصد دادهها صورت گرفت. الگوهای مورداستفاده برای پیشبینی شامل چهار الگوی شبکهعصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بود. شبکههای منتخب شامل شبکه پیشخور پسانتشار، شبکه آبشاری پسانتشار، شبکه المان پسانتشار و شبکه رگرسیون تعمیمیافته میباشد. همچنین، توابع آموزش مورداستفاده در پیشبینی شامل توابع لونبرگ- مارکوآت و شبهنیوتنی است. یافتهها در مورد تمام گروه از دادهها، کمترین خطای پیشبینی در شبکه را نشان دادند که از تابع آموزش لونبرگ- مارکوآت استفاده میکند. همچنین، مشخص شد برای پیشبینی 20 و 30 درصد دادهها شبکه المان پسانتشار و برای پیشبینی 10 درصد دادهها شبکه پیشخور پسانتشار دارای کمترین خطای پیشبینی هستند. همچنین، نتایج نشان دادند شبکه رگرسیون تعمیمیافته و الگوی رگرسیونی خودرگرسیون میانگین متحرک در مقایسه با سه شبکه دیگر از دقت قابل رقابتی برخوردار نیستند. البته یافتههای آماره دیبلد- ماریانو نشان دادند که میان شبکههای دارای کمترین خطای پیشبینی از لحاظ آماری تفاوت معناداری در دقت پیشبینی وجود ندارد. برای قیمت گازوییل به طور نسبی استفاده از 80 درصد از دادهها برای آموزش و 20 درصد برای پیشبینی در مقایسه با سایر ترکیب از دادهها خطای پیشبینی کمتر نشان داد. بر اساس نتایج به دست آمده میتوان با استفاده از شبکههای پیشنهادی مطالعه به پیشبینیهایی با خطای حدود 2 درصد دست یافت.
</div>
The aim of this study is to introduce appropriate models for forecasting the gas oil prices in Singapore market which influence the gas-oil price in the Middle East. The used data are on weekly basis and covering the period of (1997-2010).The forecasts were made for 10, 20 and 30 percent ages of the data, separately. The models have been employed for prosecutions included four models of Neural Network and ARIMA model. The 4 selected Neural Networks are Feed-Forward Back Propagation, Cascade Back Propagation, Elman Back Propagation and Generalized Regression. The training functions are also Levenberg-Marquardt and Quasi-Newton BFG. The results that the least forecasting error belongs to the network in the Levenberg-Marquardt training function has been used. The results also reveal that for forecasts of 20 and 30 percent of data, Elman Back Propagation and for the 10 percent of the data Feed-Forward Back Propagation networks have the least forecast error. Moreover, the findings also reveal that Generalized Regression network and ARIMA have the largest forecasting error as compared to the other models. However, the findings of Diebold-Mariano statistics showed no statistically significant difference among the networks with the least forecast error, in respect to forecasting accuracy for the gas-oil price using a combination of 80 percent for training and 20 percent of day a for forecasting, as compared to the data combination, how less forecasting error. Finally, forecasting error of in the case of the best model is around 2 percent.
قیمت پیشبینی گازوییل، شبکه عصبی مصنوعی، خودرگرسیون میانگین متحرک
Price, Forecast, Gasoil, Artificial Neural Network, Autoregressive Integrated Moving Average (ARIMA)
201
222
http://qjerp.ir/browse.php?a_code=A-10-23-29&slc_lang=fa&sid=1
Hamid
Mohammadi
حمید
محمدی
hamidmohammadi1378@gmail.com
1003194753284600478
1003194753284600478
Yes
Zakaria
Farajzadeh
زکریا
فرجزاده
zakariafarajzadeh@gmail.com
1003194753284600479
1003194753284600479
No