مقایسه‌ی مدل های SVR و GARCH در پیش بینی بی ثباتی قیمت نفت

از آن‌جا که نفت خام یک عنصر استراتژیک در بسیاری از صنایع و بازارها می باشد، پیش‌بینی قیمت و شناسایی روند حرکت آن همواره مورد توجه محققان بوده است. امروزه استفاده از روش‌های غیرکلاسیک مانند تکنیک های هوش مصنوعی و یادگیری ماشین در مدل سازی و پیش بینی رفتار سیستم های پیچیده بسیار متداول شده است. در سال‎های اخیر یکی از روش‌های جدید یادگیری ماشین با نام ماشین بردار پشتیبان (svm) کاربرد گسترده-ای در مسایل رده بندی، رگرسیون و به ویژه پیش بینی سری های زمانی داشته است. این روش که براساس نظریه‌ی یادگیری آماری ساخته شده است، به دلیل دارا بودن ویژگی های برجسته ای مانند ساده بودن تعبیر هندسی آن، رسیدن به یک جواب عمومی و یکتا، توانایی مدل بندی توابع غیرخطی و هم‌چنین کمینه سازی خطای تعمیم به جای خطای یادگیری، توجه بسیاری از محققان را به خود جلب کرده است. در این مقاله عملکرد روش svm در پیش بینی بی‌ثباتی قیمت نفت خام ایران مورد بررسی قرار گرفته و سپس عملکرد این روش با نتایج پیش بینی مدل های garch مقایسه شده است. در این تحقیق از داده های ماهانه ی قیمت نفت خام ایران در دوره ی زمانی آوریل 1981 تا دسامبر2011 استفاده شده است. نتایج تحقیق نشان‌دهنده ی برتری روش svm نسبت به مدل های garch، براساس معیارهای mse، mae، nmse و tic است.