مقایسه‌ی عملکرد مدل‌های ARFIMA-GARCH، شبکه‌ی عصبی و معادلات دیفرانسیل تصادفی در پیش‌بینی قیمت جهانی نفت‌خام

در این مقاله برای پیش‌بینی قیمت نفت، ابتدا ماهیت سری زمانی قیمت جهانی ماهانه نفت خام از لحاظ آشوبی و یا تصادفی بودن و هم‌چنین از لحاظ دارا بودن حافظه ی بلندمدت بر اساس آزمون‌های آشوب و آزمون حافظه ی بلندمدت مشخص گردیده است و سپس الگویی برای مدل سازی و پیش بینی این سری زمانی براساس معادلات دیفرانسیل تصادفی ارایه شده است. برای بررسی عملکرد مدل پیشنهادی، مقایسه ای بین این مدل با مدل شبکه‌های عصبی بر پایه‌ی الگوریتم پیش‌خور چند لایه و هم‌چنین مدل حافظه ی بلند مدت arfima-garch در پیش بینی خارج از نمونه ی قیمت نفت‌خام برای افقی 6 ماهه بر اساس معیارهای متعارف پیش بینی rmse و mae و آزمون‌های آماری دیبلد – ماریانو(dm)، مرگان، گرنجر و نیوبلد (mgn) و هم‌چنین آزمون دقت پیش‌بینی جهت پسران-تیمرمان (pt) انجام پذیرفته است. بر پایه این نتایج می توان گفت که سری زمانی قیمت جهانی نفت‌خام آشوبی و دارای حافظه‌ی بلندمدت و در نتیجه پیش‌بینی پذیر بوده و بر اساس معیارهای پیش بینی rmse و mae و آزمونpt ، مدل معادلات دیفرانسیل تصادفی عملکرد بهتری نسبت به مدل‌های رقیب در پیش‌بینی قیمت نفت دارد. با این وجود براساس آزمون‌های dmوmgn ، تفاوت معناداری در دقت پیش‌بینی مدل معادلات دیفرانسیل تصادفی با مدل شبکه‌ی عصبی دیده نمی‌شود.طبقه‌بندی jel: c15, c22, c53کلید واژه: پیش‌بینی قیمت نفت‌خام، شبکه‌ی عصبی، معادلات دیفرانسیل تصادفی، مدل حافظه ی بلندمدت garch- arfima ?