پیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مولفه های اصلی و رگرسیون بردار پشتیبان

پیش­بینی روند قیمت نفت خام و نوسانات آن همواره یکی از چالش­های پیش روی معامله­گران در بازارهای نفتی بوده است. این مقاله به پیش­بینی قیمت روزانه نفت خام برنت با یک مدل ترکیبی پیشنهادی می­پردازد. نمونه آماری قیمت روزانه نفت خام برنت دریای شمال از ژوئیه سال 2008 تا ژوئیه سال 2016 می­باشد که از میان کل قیمت­های روزانه نفت در تمام بازارهای نفتی انتخاب شده است. در این پژوهش، برای پیش­بینی مدلی از ترکیب روش­های آماری و هوش مصنوعی (PCA-SVR) ارائه می­شود. با توجه به اثبات برتری دقت پیش­بینی مدل رگرسیون بردار پشتیبان (SVR)[1] نسبت به سایر روش­های پیش­بینی در مطالعات گذشته هدف اصلی در این پژوهش، بهبود پیش­بینی رگرسیون بردار پشتیبان با استفاده از پیش­پردازش اولیه داده­ها به وسیله آنالیز مولفه­های اصلی (PCA)[2] است. جهت انجام پژوهش پس از انجام آزمون مانایی، با استفاده از آنالیز مولفه­های اصلی متغیرهای ورودی را به مولفه­های اصلی که کل پراکندگی داده­ها را پوشش می­دهد تبدیل نموده و به عنوان ورودی برای مدل پیش­بینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان و شبیه­سازی آن در نرم­افزار متلب اقدام به پیش­بینی قیمت روزانه نفت خام برنت نمودیم. به منظور مقایسه عملکرد مدل­های SVR و PCA-SVR از آزمون مقایسات زوجی استفاده نمودیم. نتیجه پژوهش بیانگر این موضوع بود که پیش­پردازش اولیه به وسیله آنالیز مولفه­های اصلی بر روی داده­ها باعث کاهش خطای مدل پیشنهادی گردیده است. [1]. Support Vector Regression [2]. Principal Components Analyses

کلیدواژه ها:

آنالیز مولفه های اصلی ، رگرسیون بردار پشتیبان ، مدل ترکیبی ، نفت خام