پيش بيني قيمت آمونياك با رويكرد تحليل هاي بنيادين، تكنيكي و شبكه ي عصبي

پيش بيني قيمت آمونياك با رويكرد تحليل هاي بنيادين، تكنيكي و شبكه ي عصبي

با توجه به اهميت پيش بيني در حوزه ي مسايل مالي و اقتصادي محققان همواره در تلاشند كه از روش هاي دقيق تري در اين زمينه بهره بگيرند تا به درك نسبي بهتري از وضعيت آينده ي بازار دست يافته، از نااطميناني ها بكاهند. در اين مقاله از شبكه ي عصبي GMDH مبتني بر الگوريتم ژنتيك به عنوان ابزاري با قابليت بالا در مدل سازي سيستم هاي غير خطي پوياي پيچيده، براي پيش بيني قيمت آمونياك استفاده شده است. براي اتنخاب متغيرهاي اثرگذار بر قيمت آمونياك از دو روش تحليل بنيادين و تكنيكي استفاده شده است. روش تحليل بنيادين با تكيه بر تيوري عرضه و تقاضا و نگرش كلان اقتصادي، همه ي عوامل اثرگذار احتمالي بر قيمت را براي مدل سازي و پيش بيني قيمت به محقق پيشنهاد مي كند، سپس با تكيه بر توانايي الگوريتم GMDH در شناسايي متغيرهاي زايد، از ميان همه ي عوامل اثرگذار احتمالي تنها از عناصر اثرگذارتر بر قيمت آمونياك استفاده شده است تا پيش بيني هاي دقيق تر و بدون تورشي ارايه شود. دقت پيش بيني هاي انجام شده در بازه ي مورد بررسي بيش از 99 درصد است. در روش تحليل تكنيكي، پيش بيني ها با تكيه بر رفتار گذشته قيمت در همان بازار (در اينجا آمونياك خاورميانه) نتايج دقيقي را به دست داده است. برتري شبكه ي عصبي GMDH در دقت پيش بيني قيمت آمونياك نسبت به روش ARIMA در بخش پاياني مورد تاييد قرار گرفته است.

In order to get future information about economic variables, economists have discovered new methods. Large reserves of oil and gas in the Middle East and especially Iran have obtained advantages for these countries. Therefore, the purpose of this study is modeling and forecasting the price of petrochemicals in the Middle East through GMDH neural network method. We focus on a single product, ammonia, which is a petrochemical with natural gas feedstock for which two approaches are taken: fundamental analysis for long-term and technical analysis for short-term. The findings suggest that the natural gas price have important effects on the price of ammonia in the Middle East, despite low natural gas price for ammonia producers in this region. Modeling through technical analysis is satisfactory because of smooth trend line of ammonia price. In the end, it is shown that the GMDH neural network has better predictive power than ARIMA method in predicting ammonia price based on error criteria.