تحليل و پيش بيني اثرات غيرخطي در بازار نفت

Analysis and Forecasting of Nonlinearity in Oil Market

اين پژوهش تلاشي در جهت معرفي يك الگوي مطلوب جهت مدل سازي و پيش بيني نوسانات قيمت نفت خام ايران مي باشد. لذا، سعي شده است تا تحليل جامعي از پيش بيني قيمت اين نهاده ارايه گردد، به همين منظور، ضمن بررسي ماهيت مقوله پيش-بيني‌پذيري به كمك آزمون هاي نسبت واريانس، BDS و نيز آزمون آشوب گونه بودن اين سري، به تحليل ساختار خطي و يا غيرخطي بودن آن پرداخته شده و پس از تاييد آشوب گونه بودن سري بازدهي قيمت نفت بر اساس آزمون توان لياپانوف و نيز وجود ويژگي حافظه بلندمدت، مهر تاييدي بر رد فرضيه بازارهاي كارا و قبول فرضيه بازارهاي فركتال بوده است. سپس با علم به ويژگي-هاي ذاتي سري بازدهي قيمت نفت، به كمك تركيب مدل هاي مبتني بر حافظه بلندمدت و تجزيه موجك، به انتخاب بهترين مدل ممكن پرداخته شد. نتايج اين مطالعه بر مبناي آزمون GPH، مبين وجود ويژگي حافظه بلندمدت در سري بازدهي و نوسانات قيمت نفت بوده و همچنين به‌كارگيري تكنيك تجزيه موجك را براي داده هاي پر‌تلاطم، مو‌ثر دانسته است، چرا كه بر اساس معيارهاي سنجش خطاي پيش بيني MSE و RMSE مدل تركيبي مبتني بر حافظه بلندمدت و تجزيه موجك در مقايسه با مدل حافظه بلندمدت با داده هاي تجزيه نشده، از عملكرد دقيق تري برخوردار بوده است.

This research aims to introduce an ideal model for forecasting Iranian crude oil price movements. It tries to make an all-out analysis of this energy product. Therefore, we tested the ‘predictability’ hypothesis by using the variance ratio test, BDS test and the chaos series test. Later, a structural analysis is a carried out to investigate possible nonlinear patterns in the series. Lyapunov exponents confirmed that the return series of crude oil prices were chaotic. Moreover, According to our findings, the return series has the long memory property which, rejecting efficient markets hypothesis, affirms the fractal market hypothesis. The GPH test verifies that both return and volatility series of crude oil price have the long-memory property. Besides, according to both MSE and RMSE criteria, wavelet-decomposed data significantly improves the performance of model. As a result, we introduce a hybrid model based on the long-memory property which uses wavelet decomposed data as the most accurate model.