وقفه هاي زماني بهينه در پيش بيني قيمت نفت توسط شبكه عصبي پويا اصلاح شده با الگوريتم ژنتيك

Optimal Time Delays in Forecasting Oil Prices Using Optimal Genetic Algorithm based Dynamic Neural Network

قيمت نفت، اهميت و نوسانات آن در طول زمان در اخذ تصميمات مهم اقتصادي در دنيا، سبب گسترش روش هاي مختلفي در پيش بيني قيمت نفت، ازجمله ابزارهاي غيرخطي مانند شبكه عصبي شده است. در اين مقاله براي در نظر گرفتن عامل زمان در پيش بيني توسط شبكه عصبي، با دريافت بازخورد از شبكه عصبي مصنوعي اصلاح شده با الگوريتم ژنتيك GADNN وقفه هاي بهينه ناشي از ورودي ها و خروجي هاي قيمت نفت توسط شبكه عصبي پويا محاسبه مي گردد، سپس براي بررسي نتيجه استفاده از شبكه عصبي پويا اصلاح شده با الگوريتم ژنتيك با در نظر گرفتن وقفه هاي زماني بهينه به پيش بيني قيمت نفت وست تگزاس اينترمديت در بازه زماني سال 2006 تا 2016 پرداخته مي شود. بررسي، تحليل و مقايسه پيش بيني قيمت نفت خام توسط مدل شبكه عصبي اصلاح شده با الگوريتم ژنتيك نشان مي دهد كه اين مدل، با كاهش پيچيدگي هاي ناشي از طراحي شبكه عصبي و درنظر گرفتن تاخيرات زماني بهينه، باعث افزايش دقت در پيش بيني قيمت نفت نسبت به ساير روش هاي موجود در اين زمينه مي گردد.

Oil price forecasting methods include nonlinear tools, such as Artificial Neural Network. In this study we consider the time factor in forecasting through neural networks in order to calculate the optimal delays in receiving feedback from Genetic Algorithm based Dynamic Neural Network (GADNN). We use WTI crude oil price data from 2006 to 2016 to assess forecasts produced through use of GADNN with optimal delays. We discover that genetic algorithm based dynamic neural network models that take into account the time factor, increases the accuracy of oil price forecasting compared to other existing methods through reducing the complexities of neural network design and taking into account optimized time delays.