این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
The Journal of Humanities، جلد ۲۱، شماره ۳، صفحات ۱۳۱-۱۵۰
عنوان فارسی پیش بینی قیمت نفت خام: یگ الگوی تلفیقی مبتنی بر تبدیل موجک و شبکه عصبی GMDH
چکیده فارسی مقاله به طور معمول، قیمت های انرژی، مثل قیمت نفت خام، متأثر از رویدادهای معین مانند تغییرات فصلی و رویدادهای غیرمعین مانند تحولات منطقه ای می باشند. رخدادهای غیر معین که علت تغییرات تصادفی قیمت ها هستند، پیش بینی قیمت را با مشکل اساسی مواجه می کند. رویکرد اولیه به تغییرات تصادفی، فرض وجود نویز در سیستم است که تغییرات معین قیمت را متأثر می کند. در این مقاله، ما تلاش می کنیم از تبدیل موجک به عنوان ابزاری برای هموارسازی و حداقل کردن نویز موجود در سری زمانی قیمت نفت خام استفاده کنیم و سپس با استفاده از روش تلفیقی با شبکه عصبی GMDH، قیمت نفت خام را پیش بینی نمائیم.علاوه براین، با استفاده از روش GARCH ، واریانس های سری زمانی قیمت نفت خام را به الگوی تلفیقی فوق اضافه می کنیم. بدین منظور از قیمت های نفت خام بازارهای نیویورک و لس آنجلس استفاده نموده ایم. نتایج نشان می دهد که به کارگیری روش تلفیقی، بیش از 40% الگوی شبکه عصبی بدون لحاظ تبدیل موجک و اثرات GARCH را بهبود می بخشد
کلیدواژه‌های فارسی مقاله پیش بینی قیمت نفت خام، شبکه عصبی GMDH، تبدیل موجک، مدل GARC،
عنوان انگلیسی Forecasting Crude Oil Prices: A Hybrid Model Based on Wavelet Transforms and Neural Networks
چکیده انگلیسی مقاله In general, energy prices, such as those of crude oil, are affected by deterministic events such as seasonal changes as well as non-deterministic events such as geopolitical events. It is the non-deterministic events which cause the prices to vary randomly and makes price prediction a difficult task. One could argue that these random changes act like noise which effects the deterministic variations in prices. In this paper, we employ the wavelet transform as a tool for smoothing and minimizing the noise presented in crude oil prices, and then investigate the effect of wavelet smoothing on oil price forecasting while using the GMDH neural network as the forecasting model. Furthermore, the Generalized Auto-Regressive Conditional Hetroscedasticity model is used for capturing time varying variance of crude oil price. In order to evaluate the proposed hybrid model, we employ crude oil spot price of New York and Los Angles markets. Results reveal that the prediction performance improves by more than 40% when the effect of noise is minimized and variance is captured by Auto-Regressive Conditional Hetroscedasticity model.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله نفیسه بهرادمهر |
faculty of economics, university of tehran, iran.
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

مهدی احراری |
dana insurance company.

نشانی اینترنتی http://eijh.modares.ac.ir/article_13100_a969925c0ff536f8a94cc64aca213018.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات