پيش‌بيني قيمت نفت خام برنت با تركيب تكنيك‌هاي مبتني بر تئوري خاكستري و اقتصادسنجي

Brent Crude Oil Price Forecasting by Combining Grey Theory and Econometrics Techniques

ويژگي‌هاي نفت خام و عوامل مؤثر بر قيمت اين حامل انرژي باعث شده تا پيش‌بيني قيمت آن همواره مورد توجه محققان، فعالان بازار نفت، دولت‌ها و سياست‌گذاران قرار گيرد. از آنجايي كه قيمت نفت خام تحت تأثير عوامل زيادي است بنابراين بايد در اين راه مطالعات مداوم صورت گرفته تا برآوردهاي انجام شده با گذشت زمان، نتايج دقيق‌تر و از قابليت اعتماد بالاتري برخوردار شود. در اين مقاله براي پيش‌بيني قيمت نفت خام از تركيب مدل خاكستري مرتبه اول و آريما استفاده شده و مدل تركيبي خاكستري - آريما پيشنهاد شده است. براي بررسي اين تكنيك از داده‌هاي قيمت نفت خام برنت در بازه‌هاي زماني فصلي، ماهيانه و هفتگي استفاده شده است. در پيش‌بيني فصلي داده‌هاي سه ماه اول سال 2015 تا سه ماهه دوم سال 2021، در پيش‌بيني ماهيانه داده‌هاي مارس 2020 تا دسامبر 2020 و در پيش‌بيني هفتگي داده‌هاي هفته دوازدهم 2020 تا هفته شانزدهم 2021 مورد استفاده قرار گرفته است. نتايج نشان داد ميانگين قدر مطلق درصد خطا و جذر ميانگين مربع خطا در مدل تركيبي، همواره كمتر از مدل‌هاي منفرد يا تك تئوري خاكستري و آريما است. همچنين، مدل تركيبي توانايي بالاتري جهت توضيح و پوشش نوسانات قيمت در بازه‌هاي مختلف زماني را داشته و قابل اطمينان‌تر از مدل‌هاي منفرد است. لذا مي‌توان از مدل تركيبي به جاي مدل‌هاي منفرد و تك تئوري براي پيش‌بيني دقيق‌تر استفاده كرد.

The characteristics of crude oil and the factors affecting the price of this energy carrier have made its price forecast always considered by researchers, oil market participants, governments, and policymakers. Because the price of crude oil is affected by many factors, ongoing studies should be done to make more accurate and reliable estimates over time. In this paper, a combination of GM (1,1) and ARIMA models and a hybrid model (GM-ARIMA) for crude oil price forecasting is proposed. The Brent crude oil price data for seasonal (2015Q1-2021Q2), monthly(2020m3-2020m12), and weekly(w12-2020: w16-2021) periods were used to examine this method. The results show that based on the evaluation criteria of mean absolute error percentage (MAPE) and square mean square error (RMSE), the evaluation criteria of MAPE and RMSE in the combined GM-ARIMA model are always lower than the GM and ARIMA models alone. Therefore, the GM-ARIMA hybrid model will be able to predict more accurately than the GM and ARIMA models. Therefore, for more accurate prediction, the GM-ARIMA hybrid model can be used instead of single models.