پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,696,278 |
| تعداد دریافت فایل اصل مقاله | 98,926,041 |
پیش بینی پویای قیمت نفت خام با استفاده از شبکه های عصبی مصنوعی و با بهکارگیری ذخیره سازیهای نفتی کشورهای OECD | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 2، دوره 44، شماره 3، اسفند 1388 اصل مقاله (293.49 K) | ||
| نویسندگان | ||
| محمد حسین پورکاظمی؛ محمد باقر اسدی | ||
| دانشگاه شهید بهشتی | ||
| چکیده | ||
| نفت بهعنوان بزرگترین منبع تأمین انرژی در جهان و بهدلیل نقش آن در اقتصاد کشورهای تولید کننده، حائز اهمیت بسیار است. لذا شناخت پارامترهای مختلف تأثیرگذار بر بازار نفت برای این کشورها، ضروری به نظر می رسد. در این راستا، این تحقیق به پیش بینی قیمت بهعنوان یک متغیر مهم از بازار جهانی نفت، با استفاده از روش شبکه های عصبی مصنوعی و نیز روش اقتصادسنجی ARIMA می پردازد. لازم به ذکر است که این پیشبینیها بهصورت پویا انجام شده اند. از یک سو نتایج پیش بینی های یک گام به جلو تا ده گام به جلو با استفاده از روش شبکه های عصبی در مقایسه با روش ARIMA، حاکی از خطای کمتر روش شبکه های عصبی است و از سوی دیگر نتایج پیش بینی های شبکههای عصبی نشان می دهد که با اضافه کردن ذخیره سازی های کشورهای OECD بهعنوان یک ورودی دیگر در مدل و انجام یک پیش بینی دو متغیره (برای اولین بار در ایران)، خطای پیش بینی های قیمت نفت کاهش مییابد. طبقه بندی JEL:C02, Q40, Q41, C22, C45 | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ ذخیره سازی؛ روش ARIMA؛ شبکه های عصبی؛ قیمت نفت خام | ||
| عنوان مقاله [English] | ||
| Forecasting of Crude Oil Prices Using Neural Networks and OECD Inventories | ||
| نویسندگان [English] | ||
| Mohammad Hossein Pourkazemi؛ Mohammad Bagher Asadi | ||
| چکیده [English] | ||
| On one hand, oil is the greatest energy resource in the world and, on the other hand, because of the role of oil revenue in the economic of oil producer countries, such as Iran,it is vital for these countries. So it is necessary to recognize different affective parameters on oil market for these countries. In this research, we try to forecast oil price as an important variable in world wide oil market by using neural networks and ARIMA model. The results of dynamic forecasts have shown that in all cases neural network has better results than ARIMA model. In addition, the results of this research have shown that by use of OECD inventories as an added input in model and doing a bivariate forecasting (for the first time in Iran) the error of oil prices forecasts will reduce. JEL Classification: C02, Q40, Q41, C22, C45 | ||
| کلیدواژه‌ها [English] | ||
| ARIMA, crude oil price, forecasting, inventories, neural networks | ||
|
آمار تعداد مشاهده مقاله: 3,855 تعداد دریافت فایل اصل مقاله: 2,466 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب