مقايسه‌ي توانايي پيش بيني مدل هاي شبكه‌ي عصبي مصنوعي (ANN)، سيستم استنتاج عصبي- فازي انطباقي (ANFIS) و تبديل موجك-عصبي: قيمت سبد نفت خام اوپك

A Comparison of the Predictive Ability of Artificial Neural Network (ANN), Adaptive Neural -Fuzzy Inference System (ANFIS) and Wavelet Transform- Neural Models for OPEC,s Basket Crude Oil Price

پيش بيني قيمت نفت خام از مهم‌ترين موضوعات فرا روي اقتصاد انرژي است. پيش بيني مناسب قيمت نفت و آن هم قيمت نفت خام اوپك، به دليل درگير بودن تعدادي از كشورهاي در حال توسعه‌ي اين سازمان با قيمت نفت، مي تواند در برنامه ريزي هاي سازمان و كشورهاي عضو آن، اهميت ويژه اي داشته باشد. برآورد و پيش بيني روند قيمت نفت، به‌دليل نبود داده‌هاي تاريخي مهم و محدوديت اطلاعات مرتبط با شاخص هاي موثر بر روند قيمت نفت، كار بسيار دشواري است. اين به نوبه‌ي خود، ميزان نويز، پيچيدگي و نااطميناني پارامترها در ارتباط با برآورد قيمت نفت را تشديد مي كند. با اين وجود، موفقيت در تدوين مدلي قابل اتكا براي توصيف پيچيدگي هاي پوياي اين كالا، محدود است. در اين تحقيق، از شبكه‌ي عصبي مصنوعي، شبكه‌ي عصبي- فازي و مدل تركيبي تبديل موجك- شبكه‌ي عصبي و داده هاي روزانه‌ي سبد نفت خام اوپك، براي مدل سازي و پيش بيني كوتاه مدت قيمت نفت خام اوپك، استفاده شده است. نتايج اين مدل ها بر اساس معيارهاي اندازه گيري دقت پيش بيني، مورد مقايسه قرار گرفته است. نتايج تحقيق نشان مي دهد كه اولاً، نويززدايي داده ها مي تواند عملكرد شبكه را بهتر كند و ثانياً، شبكه‌ي عصبي- فازي نسبت به ديگر مدل هاي استفاده شده در اين مقاله، از قدرت پيش بيني بهتري برخوردار است. طبقه بندي JEL :C45, C53, E37, Q49 كليد واژه ها : پيش بيني كوتاه مدت، سبد نفت خام اوپك، شبكه‌ي عصبي مصنوعي، شبكه‌ي عصبي- فازي، تبديل موجك

A Comparison of the Predictive Ability of Artificial Neural Network (ANN), Adaptive Neural -Fuzzy Inference System (ANFIS) and Wavelet Transform- Neural Models for OPEC,s Basket Crude Oil Price Ali Emami Meibodi Associate Professor, Faculty of Economics, Allameh Tabataba`i University, ali_meibodi@yahoo.com Sabah Bagheri MA Student in Energy Economics, Power and Water University of Technology, sabahbagheri67@yahoo.com Received: 2013/08/17 Accepted: 2015/01/10 Abstract Forecasting crude oil prices is among the most important issues facing energy economics. A reliable oil price forecast in particular for the OPEC basket price is important for proper planning on the part of OPEC and its member countries, given the dependence of their economies on oil revenues. The lack of important historical data and also limited information about effective indexes on the oil price trend make it a cumbersome task to forecast and estimate the oil price trend. This, in turn, intensifies the amount of noise, complexity and uncertainty of parameters related to the estimation of oil prices. In this study we use artificial neural network, Neural-Fuzzy network and wavelet transform-neural hybrid models to model and predict OPEC’s short-term oil price. The results of these models are compared in terms of their predictive reliability. The results of the study indicate that reducing the noise of data can improve the accuracy of forecasts. The Neural-Fuzzy network has better predictive power than the other models used in this study. JEL Classification: Q49, E37, C53, C45 Keywords: Short-Term Forecasting, OPEC Crude Oil Basket, Artificial Neural Network, Adaptive Neural -Fuzzy Inference System(ANFIS), Wavelets Transform.