پيش بيني قيمت هفتگي نفت خام از طريق مدل تركيبي ماشين بردار پشتيبان و خودرگرسيو ميانگين متحرك انباشته

Weekly crude oil price forecasting by hybrid support vector machine model and Autoregressive Integrated Moving Average

همواره پيش بيني روند قيمت و نوسانات يكي از چالش هاي پيش روي معامله گران در بازارهاي بورس نفت بوده و پيش بيني قيمت ها به عنوان يك امر ضروري وكاربردي مطرح مي شود وليكن بايد پيش بيني را مورد توجه قرار داد كه با دقت بيشتري صورت گيرد و نسبت به نتايج واقعي مشاهده شده خطاي كمتري داشته باشد. به منظور پيش بيني قيمت هفتگي نفت خام برنت به عنوان يك نفت شاخص با توجه به دشوار بودن شناسايي دقيق الگو هاي خطي و غيرخطي در سري هاي زماني اقتصادي و مالي از تركيب مدل هاي خودرگرسيو ميانگين متحرك انباشته(ARIMA) با اين پيش فرض كه سري زماني داراي الگوي خطي مي-باشد و ماشين بردار پشتيبان(SVM)كه توانايي بالايي در مدل سازي الگو هاي غيرخطي دارد به منظور افزايش دقت پيش بيني استفاده شده است. با توجه به آزمون مقايسه زوجي معيارهاي ارزيابي عملكرد ريشه ميانگين مجذور خطا(RMSE) و ميانگين قدرمطلق درصد خطا(MAPE) كه حاصل مقادير پيش بيني شده و مقادير واقعي هر يك از مدل ها هستند، نتايج بيانگر اين موضوع بودند كه در بيشتر موارد مدل تركيبي خطاي كمتري در پيش بيني قيمت نفت خام نسبت به كاربرد مجزاي مدل هاي خودرگرسيو ميانگين متحرك انباشته و ماشين بردار پشتيبان دارد.

Fluctuations in crude oil prices in addition to affect the economy of the exporting countries, is one of the sources of disruption in oil-dependent economy. Always predict the price and volatility has been of the challenges facing traders in oil markets and price forecast is raised as an imperative and functional however, should be noted forecasts that will take place in more accurate and less error than the observed actual results. In order to predict the weekly price of Brent crude oil as an oil indicator given the difficulty of accurately identifying linear and nonlinear models in economic and financial time series from combining Autoregressive Integrated Moving Average models (ARIMA) by the assumption that the time series have a linear pattern and support vector machine (SVM) which has great potential in modeling nonlinear model is used to enhance the accuracy of prediction. Given two paired comparison performance criteria of root mean square error test (RMSE) and the mean absolute magnitude percentage error (MDAPE) which are resulting from the predicted values and actual values for each model, this indicates that in most cases the hybrid model provide smaller errors in predicting the future price of crude oil as compared to the individual applications of autoregressive integrated moving average models and the support vector machine.