بررسی عوامل تاثیرگذار بر قیمت نفت در ایران با ترکیب روشهای NARDL و فناوری اطلاعات هوش مصنوعی و داده کاوی

این پژوهش رویکردی نوین و ترکیبی برای تحلیل و پیش بینی قیمت نفت خام ایران ارائه میدهد که مدل اقتصاد سنجی خودرگرسیونی با وقفه های توزیعی نامتقارن (NARDL) را با تکنیکهای پیشرفته یادگیری ماشین و داده کاوی تلفیق میکند. با توجه به اثرات نامتقارن و پویای متغیرهای کلان اقتصادی کلیدی مانند عدم قطعیت سیاست اقتصادی (EPU)، ریسک ژئوپلیتیک جهانی (GPR) و شاخص عدم قطعیت جهانی (WUI) بر نوسانات قیمت نفت این مطالعه از دادههای ساختاری و غیر ساختاری شامل اخبار اقتصادی، شبکه های اجتماعی و شاخصهای جستجوی اینترنتی بهره میبرد. یافته ها نشان میدهد که مدل NARDL در شناسایی شوکهای نامتقارن موثر است، اما دقت پیشبینی آن با ترکیب الگوریتمهای یادگیری ماشین مانند LSTM و XGBoost که توانایی کشف الگوهای غیرخطی و روابط پنهان را دارند به طور قابل توجهی افزایش مییابد. این چارچوب تلفیقی علاوه بر بهبود دقت پیش بینی بینشهای کاربردی برای سیاست گذاران و فعالان صنعت نفت فراهم میکند تا ریسکهای مرتبط با نوسانات بازار را بهتر مدیریت کنند. این پژوهش ضرورت استفاده از ابزارهای تحلیلی داده محور و ترکیبی را در شرایط تغییرات جهانی انرژی و عدم قطعیتهای بازار نفت ایران برجسته میسازد.

کلیدواژه ها:

پیش بینی قیمت نفت خام ، مدل NARDL ، یادگیری ماشین ، داده کاوی ، عدم قطعیت سیاستی ، ریسک ژئوپلیتیک ، بازار نفت ایران