مقايسه‌ي مدل هاي SVR و GARCH در پيش بيني بي ثباتي قيمت نفت

Comparison of SVR and GARCH Models in Forecasting Oil Price Volatility

از آن‌جا كه نفت خام يك عنصر استراتژيك در بسياري از صنايع و بازارها مي باشد، پيش‌بيني قيمت و شناسايي روند حركت آن همواره مورد توجه محققان بوده است. امروزه استفاده از روش‌هاي غيركلاسيك مانند تكنيك هاي هوش مصنوعي و يادگيري ماشين در مدل سازي و پيش بيني رفتار سيستم هاي پيچيده بسيار متداول شده است. در سال‎هاي اخير يكي از روش‌هاي جديد يادگيري ماشين با نام ماشين بردار پشتيبان (SVM) كاربرد گسترده-اي در مسايل رده بندي، رگرسيون و به ويژه پيش بيني سري هاي زماني داشته است. اين روش كه براساس نظريه‌ي يادگيري آماري ساخته شده است، به دليل دارا بودن ويژگي هاي برجسته اي مانند ساده بودن تعبير هندسي آن، رسيدن به يك جواب عمومي و يكتا، توانايي مدل بندي توابع غيرخطي و هم‌چنين كمينه سازي خطاي تعميم به جاي خطاي يادگيري، توجه بسياري از محققان را به خود جلب كرده است. در اين مقاله عملكرد روش SVM در پيش بيني بي‌ثباتي قيمت نفت خام ايران مورد بررسي قرار گرفته و سپس عملكرد اين روش با نتايج پيش بيني مدل هاي GARCH مقايسه شده است. در اين تحقيق از داده هاي ماهانه ي قيمت نفت خام ايران در دوره ي زماني آوريل 1981 تا دسامبر2011 استفاده شده است. نتايج تحقيق نشان‌دهنده ي برتري روش SVM نسبت به مدل هاي GARCH، براساس معيارهاي MSE، MAE، NMSE و TIC است.

Many researchers are interested in forecasting oil prices and understanding its behavior over time, given the importance of oil as a strategic factor in many industries and markets. Nowadays, non-classic approaches such as Artificial Intelligence and Machine Learning methods are used in modeling and forecasting complex systems. Recently, one of the Machine Learning techniques, entitled Suort Vector Machine, is extensively used in classification, regression and time series forecasting. This method, which is based on statistical learning theory, has attracted the interest of many researchers. This is due to some of its properties such as: simple geometric interpretation, unique general solution, ability to model non-linear behavior and minimization of generalization error instead of training error. In this paper we study and evaluate the ability of SVR in predicting oil price volatility in Iran. We then compare the performance of this model with the GARCH models. In this research, we have used monthly prices of Iranian crude oil for the period April 1981 to December 2011. The results indicate that the SVR method is superior to the GARCH models based on MSE, MAE, NMSE and TIC criteria.