ارائه چارچوب هیبرید عصبی–آماری برای پیش بینی سری زمانی قیمت نفت

پیش بینی قیمت نفت خام به دلیل نقش مهم آن در بازارهای انرژی و تصمیم گیری های اقتصادی از اهمیت ویژه ای برخوردار است. هدف این پژوهش، ارائه و ارزیابی یک مدل هیبریدی مبتنی بر ترکیب مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) و شبکه عصبی مصنوعی (ANN) برای پیش بینی سری زمانی قیمت نفت است. داده های مورد استفاده که پس از پیش پردازش به دو بخش آموزش (۸۰ درصد) و آزمون (۲۰ درصد) تقسیم شدند. در ابتدا، مولفه خطی سری زمانی با استفاده از مدل های ARIMA(۵,۱,۰) و ARIMA(۲,۱,۱) استخراج شد. سپس باقیمانده های مدل ARIMA به شبکه عصبی مصنوعی منتقل گردید تا الگوهای غیرخطی موجود در داده ها مدل سازی شوند. عملکرد مدل ها با استفاده از معیارهای میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE) و میانگین درصد خطای مطلق (MAPE) ارزیابی شد. نتایج نشان داد که مدل هیبریدی ARIMA-ANN نسبت به هر دو مدل های ARIMA عملکرد بهتری ارائه کرده است. اگرچه مدل ARIMA(۲,۱,۱) کمترین مقدار RMSE را به دست آورد، اما در مجموع مدل پیشنهادی از نظر دقت متوسط پیش بینی برتری داشت. یافته ها نشان می دهد که ترکیب مدل های آماری و شبکه عصبی مصنوعی می تواند با بهره گیری همزمان از روابط خطی و غیرخطی، دقت پیش بینی قیمت نفت را بهبود بخشد.

کلیدواژه ها:

قیمت نفت ، پیش بینی سری زمانی ، ARIMA ، شبکه عصبی مصنوعی ، مدل هیبریدی ، اقتصاد انرژی.