پیش بینی قیمت نفت خام

ساختن یک مدل سری زمانی خوب ، نیاز اصلی برای تولید پیش بینی قیمت خوب نفت است.

Shanu Jain و Ajay Gupta Reliance Industries Limited

مشاهده شده: 7494

خلاصه مقاله

نفت خام یکی از مهمترین کالاهای جهان است که یک سوم مصرف انرژی جهانی را تشکیل می دهد. این ماده اولیه برای بیشتر محصولاتی است که در زندگی روزمره از آن استفاده می کنیم ، از سوخت های حمل و نقل گرفته تا پلاستیک. نوسانات قیمت نفت خام تأثیر زیادی بر اقتصادهای جهانی دارد و بنابراین پیش بینی قیمت می تواند به به حداقل رساندن خطرات مرتبط با نوسانات در قیمت نفت کمک کند. پیش بینی قیمت برای ذینفعان مختلف بسیار مهم است: دولت ها ، شرکت های دولتی و خصوصی ، سیاست گذاران و سرمایه گذاران. براساس نظریه اقتصادی ، قیمت نفت خام باید به راحتی از تعادل بین تقاضا و عرضه قابل پیش بینی باشد ، که در آن پیش بینی تقاضا معمولاً از تولید ناخالص داخلی ، نرخ ارز و قیمت های داخلی ساخته می شود و عرضه از داده های تولید گذشته و داده های ذخیره پیش بینی می شود. پیش بینی تقاضا برای نفت معمولاً ساده است ، اما عرضه به شدت تحت تأثیر فعالیت های سیاسی مانند کارتلیزاسیون توسط اوپک برای تنظیم قیمت ها ، پیشرفت های تکنولوژیکی که منجر به استخراج مقادیر بالاتر نفت و جنگ ها و سایر درگیری ها می شود ، تأثیر می گذارد.

مدلهای شامل پارامترهای اقتصادی مانند عرضه و تقاضا و عوامل تعیین کننده آنها به عنوان مدل های ساختاری شناخته می شوند (به معادله 1 مراجعه کنید). حتی اگر مدل های ساختاری منطقی ترین روش های مدل سازی قیمت محصولات صنعتی باشند ، قیمت نفت خام تحت تأثیر بسیاری از عوامل دیگر قرار دارد. یکی از این عوامل این است که قیمت نفت خام در بازار آتی تعیین می شود که امکان خرید مقدار از پیش تعریف شده نفت را با قیمت خاص در آینده فراهم می کند. علاوه بر این ، تنها 1 ٪ از نفت خام معامله شده در قراردادهای آتی منجر به خرید واقعی یک کالای فیزیکی می شود. هدف اصلی آن درآمدزایی از نوسانات قیمت در نفت خام است. از این رو قیمت نفت خام بیشتر مانند یک دارایی مالی رفتار می کند و بنابراین نماینده بیشتر انتظارات معامله گران است نه پیش بینی های مبتنی بر تئوری های اقتصادی عرضه و تقاضا: مدل ساختاری: قیمت نفت = F (عرضه ، تقاضا) (1)

مدل سری زمانی: قیمت نفت = F (قیمت نفت (T)) (2)

دسته های دیگری از مدل ها وجود دارد که غیر ساختاری هستند و تغییر زمان قیمت های نفت خام را در نظر می گیرند ، که به عنوان مدل های سری زمانی شناخته می شوند و به طور کلی مانند معادله شکل می گیرند. دستیابی به داده های معتبر برای تهیه یک مدل ساختاری دشوار است ، در حالی که داده های سری زمانیبرای قیمت نفت خام به راحتی در دسترس است و از این رو ساخت یک مدل سری زمانی آسان تر است. ما در این مقاله روی مدل سازی سری زمانی از قیمت نفت خام تمرکز می کنیم.

در مدل های سری زمانی ، فرض بر این است که قیمت فعلی نفت خام نشان دهنده تأثیرات همه عوامل مؤثر است و پیش بینی قیمت می تواند بر اساس رفتار قیمت نفت خام گذشته انجام شود. فرض اصلی در چنین مدلهایی این است که رفتار گذشته قیمت نفت می تواند قیمت های آینده را توضیح دهد. اگرچه مدل های سری زمانی می توانند روند یا هر الگوی چرخه ای را در داده ها ضبط کنند ، اما در هنگام مشاهده معکوس های روند در داده ها یا الگوی تکرار ضبط شده در مدل ، در قیمت های بعدی دنبال نمی شود. روندهای مختلف در یک سری زمانی می تواند به عنوان الگوهای در حال افزایش ، کاهش و دوره ای طبقه بندی شود (شکل 1 را ببینید). وقتی داده ها از هر یک از این نوع روندها پیروی می کنند ، مدل های سری زمانی کاملاً مفید هستند و پیش بینی می کنند.

ما به راحتی می توانیم در طی سالهای خاص ، رکودها ، صعودها و الگوهای تکرار در قیمت نفت خام را مشاهده کنیم (شکل 2 را ببینید). داده های قیمت ماهانه نفت خام از وب سایت اداره اطلاعات انرژی ایالات متحده (EIA) بدست می آید. 1 زیر مجموعه های مختلف داده های قیمت نفت خام برای نشان دادن ابزار مدل سازی سری زمانی و محدودیت های آن در برخی از سناریوها تشکیل شده است.

تکنیک های مدل سازی سری زمانی چندین روش در ادبیات برای ساخت مدل های سری زمانی ارائه شده است. آنها شامل میانگین متحرک یکپارچه خودجوش (ARIMA) ، تعمیم یافته خودرویی هتروسکوپی مشروط (GARCH) ، هولت-بردارها ، شبکه های عصبی خودکار و رگرسیون وکتور پشتیبانی هستند. رگرسیون ، الگوریتم های ژنتیکی و موجک ها . 3-7 بحث در مورد روشهای مختلفی که برای مدل سازی قیمت نفت خام اعمال می شود را می توان در مقالات مرور موجود در ادبیات یافت. 8،7 ما از شبکه های عصبی ARIMA و اتورژانس برای مدل سازی قیمت های روغن استفاده کرده ایم ، زیرا این تکنیک هاهر دو نوع مدل سازی خطی و غیر خطی را بپوشانید. شرح کوتاهی از این روشها در زیر آورده شده است.

Arima Arima پرکاربردترین و شناخته شده ترین تکنیک برای تجزیه و تحلیل سری زمانی است که توسط Box و Jenkins تهیه شده است. در یک مدل ARIMA ، مقادیر آینده به عنوان ترکیبی خطی از قیمت های قبلی نفت و خطاهای مرتبط پیش بینی می شود. این مدل از سه بخش تشکیل شده است: مؤلفه AR (autoregressive) ترکیبی خطی از مشاهدات گذشته است. MA (میانگین متحرک) ترکیبی خطی از اصطلاحات خطای تاخیر است. و من (یکپارچه) جایگزین سری اصلی با سری های مختلف می شود. یک مدل ARIMA به شکل معادله 3 نشان داده شده است:

∆dyt = c + φ1∆Dyt-1 +… + φp∆dyt-p + εt + θ1εt-1 +… + θq εt-q (3)

در جایی که ، YT مقدار متغیر در مرحله بعدی T ، φ و θ به ترتیب ضرایب AR و MA هستند ، ε اصطلاحات خطای عقب مانده است و ∆Dyt نشان دهنده سری زمانی متفاوت DTH است. برای ساختن یک مدل ARIMA ، باید سه پارامتر را مشخص کنیم: P ، D و Q ؛P نشان دهنده تعداد مشاهدات تاخیر در یک مدل AR است. D درجه تفاوت است. و Q ترتیب مدل متوسط در حال حرکت است. قبل از ساختن یک مدل سری زمانی ، باید سری زمانی را ثابت کنیم. گفته می شود که یک سری زمانی ثابت است ، در صورت میانگین ، واریانس و کواریانس در زمان ثابت است. یک آزمایش آماری رسمی وجود دارد که به عنوان تست تقویت شده دیکی-فولر (ADF) برای آزمایش ثابت بودن سریال های زمانی شناخته می شود. بیشتر داده های سری زمانی معمولاً ثابت نیستند ، اما می توان آن را با تکنیک های تبدیل داده مانند تفاوت و لگاریتم ثابت کرد. پارامترهای P و Q در مدل ARIMA از توطئه های همبستگی سری زمانی تعیین می شوند. مجموعه ای از قوانین وجود دارد که می تواند در تفسیر توطئه های همبستگی راهنمایی کند و مدل های احتمالی ARIMA را برای آزمایش بیشتر شناسایی کند. برای تشخیص مدل ، از توطئه های همبستگی باقیمانده و آزمایش جعبه Ljung استفاده می شود. ما برای مدل سازی قیمت نفت خام از یک مدل داخلی Arima در R استفاده کرده ایم. شبکه عصبی خودکار یک شبکه عصبی خودکار (ANN) یک مدل غیرخطی است که در آن قیمت های آینده به عنوان یک عملکرد غیرخطی از قیمت های تاخیر در این سری ، بر خلاف مدل سازی خطی در ARIMA بیان می شود. علاوه بر این ، مدل های مبتنی بر شبکه عصبی بدون نیاز به مشخص کردن فرم مدل دقیق ، می توانند الگوهای یادگیری و ضبط در مجموعه داده ها را بیاموزند. Perceptron MultiLayer (MLP) بیشترین استفاده ANN در مشکلات پیش بینی است. به طور معمول ، این مدل از لایه ورودی ، لایه پنهان و لایه خروجی تشکیل شده است. گره های اتصال در این لایه ها نورون نامیده می شوند. ورودی به نورون ها با استفاده از توابع انتقال نقشه برداری می شود و میانگین وزنی خروجی از تمام گره ها به لایه بعدی ارسال می شود. پارامترهای مختلفی وجود دارد که برای یک مدل ANN باید مشخص شود: تعداد لایه های پنهان ، تعداد نورون ها در هر لایه ، نوع عملکرد انتقال و تعداد تاخیر. انتخاب پارامترهای شبکه مناسب برای دقت مناسب و پیش بینی یک مدل ANN بسیار مهم است. ما از عملکرد NNETAR در R برای ساخت یک مدل شبکه عصبی استفاده کرده ایم.