ارزيابي مدل‌هاي خطي و غيرخطي در پيش‌بيني قيمت نفت خام اوپك

Assessing linear and nonlinear models to forecast OPEC oil prices

پيش‌بيني روند قيمت و نوسانات همواره يكي از چالش‌هاي معامله‌گران و سرمايه‌گذاران در بازارهاي نفت بوده، ازاين‌رو پيش‌بيني قيمت‌ها به‌عنوان يك امر ضروري و كاربردي مطرح مي‌شود. به دليل آنكه عوامل مختلفي همچون توليد نفت خام، رشد اقتصادي، رخدادهاي سياسي و انتظارات رواني حركات قيمت نفت را تحت تأثير قرار مي‌دهد، درنتيجه پيش‌بيني قيمت نفت خام همواره با عدم اطمينان‌هاي بزرگي همراه است و بايد پيش‌بيني را موردتوجه قرارداد كه با دقت بيشتري صورت گيرد و نسبت به مقادير واقعي خطاي كمتري داشته باشد. از طرفي روش‌هاي تئوري مختلفي نيز براي مدل‌سازي قيمت نفت وجود دارد. با توجه به اينكه معمولاً پيش‌بيني‌ها صحيح نبوده و داراي خطا است، بنابراين دقت پيش‌بيني از مهم‌ترين عوامل مؤثر در انتخاب روش پيش‌بيني هست. به دليل نبود تكنيك مورد اجماع محققان براي پيش‌بيني قيمت نفت و با توجه به‌دشواري شناسايي دقيق الگوهاي خطي و غيرخطي در سري‌هاي زماني اقتصادي و مالي ازجمله قيمت نفت خام، اين تحقيق به دنبال ارزيابي و مقايسه همگن روش‌هاي خطي و غيرخطي با به‌كارگيري مدل‌هاي ميانگين متحرك خودرگرسيون انباشته (آريما) و شبكه عصبي خودرگرسيون غيرخطي است. نتايج پژوهش حاكي از برتري مدل آريما نسبت به مدل شبكه عصبي خودرگرسيون غيرخطي در پيش‌بيني مقادير ماهيانه قيمت نفت خام اوپك است.

Forecasting price trends and fluctuation is always a challenge for traders and investors in oil markets. Price forecasting is therefore considered as essential and practical topic. Since the different factors like, crude oil production, political events, etc, affect oil price process, forecasting oil prices have great uncertainties. On the other hand, there are various theoretical methods for modeling the price of oil. Given that forecasting is not correct usually and it has an error, so accuracy of forecasting is considered among the most important factors in the selection of forecasting procedure. Due to lack of technique agreed by researchers to forecast the oil price and owing to the difficulty in accurate identification of linear and nonlinear patterns in economic and financial time series including crude oil price, the study sought to evaluate and compare the linear and nonlinear methods using autoregressive integrated moving average (ARIMA) and nonlinear autoregressive (NAR) neural network. The results indicate the superiority of ARIMA model compared to nonlinear autoregressive (NAR) neural network in forecasting monthly values of OPEC crude oil price.