دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات61
تعداد شماره‌ها2,212
تعداد مقالات18,019
تعداد مشاهده مقاله55,510,901
تعداد دریافت فایل اصل مقاله28,959,096
حاجی کرم, الهام, دارابی, رویا. (1396). پیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مؤلفه های اصلی و رگرسیون بردار پشتیبان. سامانه مدیریت نشریات علمی, 7(25), 41-60. doi: 10.22054/jiee.2018.9047
الهام حاجی کرم; رویا دارابی. "پیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مؤلفه های اصلی و رگرسیون بردار پشتیبان". سامانه مدیریت نشریات علمی, 7, 25, 1396, 41-60. doi: 10.22054/jiee.2018.9047
حاجی کرم, الهام, دارابی, رویا. (1396). 'پیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مؤلفه های اصلی و رگرسیون بردار پشتیبان', سامانه مدیریت نشریات علمی, 7(25), pp. 41-60. doi: 10.22054/jiee.2018.9047
حاجی کرم, الهام, دارابی, رویا. پیش بینی قیمت روزانه نفت خام برنت با ترکیب روش های آنالیز مؤلفه های اصلی و رگرسیون بردار پشتیبان. سامانه مدیریت نشریات علمی, 1396; 7(25): 41-60. doi: 10.22054/jiee.2018.9047

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

پژوهشنامه اقتصاد انرژی ایران
مقاله 2، دوره 7، شماره 25 - شماره پیاپی 4، دی 1396، صفحه 41-60    اصل مقاله (484.58 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jiee.2018.9047
نویسندگان
الهام حاجی کرم1؛ رویا دارابی* 2
1دانشگاه آزاد اسلامی واحد علوم و تحقیقات
2گروه حسابداری دانشگاه آزاد اسلامی واحد تهران جنوب
چکیده
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
کلیدواژه‌ها
آنالیز مولفه‌های اصلی؛ رگرسیون بردار پشتیبان؛ مدل ترکیبی؛ نفت خام
مراجع
آمار
تعداد مشاهده مقاله: 1,234
تعداد دریافت فایل اصل مقاله: 1,120


login