تجزیه و تحلیل و پیش بینی قیمت نفت خام بر اساس مدل یکپارچه انتخاب متغیر LSTM

در سالهای اخیر ، بازار نفت خام وارد دوره جدیدی از توسعه شده است و عوامل اصلی تأثیر نفت خام نیز تغییری بوده است. بنابراین ، ما یک چارچوب تحقیقاتی جدید برای انتخاب و پیش بینی عوامل تأثیر اصلی ایجاد می کنیم. در مرحله اول ، این مقاله فاکتورهای تأثیر اصلی را با مدل خطی تعمیم یافته تنظیم شده با شبکه الاستیک (GLMNET) ، روش لاسو با اسپایک و میانگین مدل بیزی (BMA) ارزیابی و انتخاب می کند. ثانیا ، روش جدید یادگیری ماشین آلات جدید شبکه حافظه کوتاه مدت (LSTM) برای پیش بینی قیمت نفت خام تهیه شده است. سپس شش تکنیک مختلف پیش بینی ، پیاده روی تصادفی (RW) ، مدل های متوسط متحرک یکپارچه خودجوش (ARMA) ، شبکه های عصبی المان (ENN) ، شبکه های عصبی ELM (EL) ، شبکه های عصبی والوت (WNN) و مدل های شبکه عصبی رگرسیون عمومی (GRNN)برای پیش بینی قیمت استفاده می شد. سرانجام ، ما نتایج مختلف را با میانگین خطای مربع ریشه (RMSE) ، میانگین خطای درصد مطلق (MAPE) ، تقارن جهت دار (DS) مقایسه و تجزیه و تحلیل می کنیم. نتایج تجربی ما نشان می دهد که متغیر انتخاب LSTM از روشهای معیار در دقت در سطح و پیش بینی جهت استفاده می کند.

مقدمه

از سال 2014 ، قیمت بین المللی نفت خام از زمان بحران مالی 2018 مهمترین نوسانات را تجربه کرده است. بازار نفت از ویژگی های جدیدی استفاده کرده است که بر توسعه اقتصاد جهانی ، امنیت استراتژیک ملی و احساسات سرمایه گذار به طور قابل توجهی تأثیر می گذارد. به خصوص به عنوان منابع اصلی انرژی جایگزین ، تولید تنگ نفت ایالات متحده اثرات کلان اقتصادی بر قیمت نفت بوده است (Kilian ، 2017). در سال 2014 ، تولید کنندگان نفت شیل ایالات متحده سهم بازار را غارت کردند و منجر به تغییر در عرضه جهانی نفت خام و تعادل تقاضا شد. براساس EIA ، تولید نفت شیل ایالات متحده از 4. 96 میلیون بشکه در روز در سال 2017 به 5. 59 میلیون بشکه در روز در سال 2022 افزایش یافته است. علاوه بر این ، رویدادهای ژئوپلیتیکی ، اصطکاک تجاری و توافق اوپک در سالهای اخیر رخ داده است و باعث نوسانات این امر می شودقیمت نفتمحیط داخلی و خارجی بازار نفت در حال تغییر است و عوامل تأثیرگذار متنوع و پیچیده شده اند. از آنجا که عوامل مؤثر بر قیمت بین المللی نفت پیچیده تر و پیچیده تر می شوند ، گرفتن عوامل عملی و پیش بینی قیمت نفت دشوار می شود. بسیاری از ادبیات گذشته در مورد پیش بینی قیمت نفت خام نشان می دهد که نتایج پیش بینی به فرکانس داده نمونه مدل و انتخاب فاصله داده ها حساس است (یو و همکاران ، 2019 ؛ یو و همکاران ، 2008a ؛ ژانگ و همکاران ، 2015). به عنوان یک منبع استراتژیک ، نفت خام نقش مهمی در امنیت ملی انرژی دارد.

در همین حال، با تقویت تدریجی ویژگی های مالی نفت خام، نوسانات قیمت نفت خام به طور قطع بر درآمد شرکت های نفتی و رفتار سرمایه گذاران تأثیر می گذارد. بنابراین، تجزیه و تحلیل سیستماتیک از ویژگی های بازارهای پیچیده بین المللی نفت و گرفتن دقیق روند جدید در قیمت های بین المللی نفت بسیار مهم است. با این حال، به دلیل ارتباط بین بازارها، عدم اطمینان اقتصاد جهانی و انرژی، عوامل تأثیرگذار بر قیمت نفت پیچیده شده اند. به سختی می توان اشاره کرد که کدام عوامل تأثیر غالب بر قیمت نفت دارند. اگر تمام عوامل احتمالی قیمت نفت به مدل پیش بینی موجود اضافه شود، ممکن است منجر به مشکلات بیش از حد برازش شود که بر نتایج پیش بینی تأثیر می گذارد. چگونگی پیش بینی قیمت نفت خام به روشی جدید و مؤثر یکی از مشکلاتی است که دانشگاهیان و متخصصان همواره نگران آن هستند. می تواند مرجع و پشتیبانی نظری برای تدوین استراتژی امنیت ملی انرژی و اجتناب شرکت از ریسک های بازار ارائه کند. برای تحلیل بهتر روند در حال تغییر بازار نفت خام، لازم است عوامل اصلی موثر بر قیمت مشخص شود، تاثیر هر یک از عوامل بر قیمت مشخص شود و در نهایت یک مدل پیش بینی ایجاد شود.

تحقیق در مورد پیش بینی قیمت بین المللی نفت همواره موضوع داغی بوده است. تعداد زیادی مقاله با ارزش کاربردی نظری و عملی ظاهر شده است. ما یک بررسی ساده از دو جنبه عوامل تأثیرگذار و روش های پیش بینی به شرح زیر انجام می دهیم:

عامل تأثیرگذار

بیشتر تحقیقات، عوامل تأثیرگذار قیمت نفت خام را به عرضه و تقاضا، عامل مالی، فناوری تقسیم کرده اند (همیلتون، 2009a؛ کیلیان و مورفی، 2014؛ ژانگ و همکاران، 2017؛ وانگ و همکاران، 2015؛ تانگ و همکاران..، 2012).

عرضه و تقاضا

به عنوان عامل اساسی ، عرضه و تقاضا اصلی ترین عوامل مؤثر بر قیمت نفت بوده است. تغییرات عرضه و تقاضا همیشه عوامل اساسی مؤثر بر روند بلند مدت قیمت نفت بوده است.(همیلتون ، 2009b) محرک های قیمت نفت را مورد تجزیه و تحلیل قرار داد و اظهار داشت که دلیل اصلی افزایش قیمت نفت در سال 2007-2008 تقاضای جهانی برای تولید است.(Kilian ، 2009) یک مدل VAR ساختاری را برای توضیح نوسان جهانی قیمت نفت خام و درک واکنش اقتصاد ایالات متحده در ارتباط با نوسانات قیمت نفت تهیه کرد. قیمت نفت خام به سه مؤلفه تجزیه شد: شوک عرضه نفت خام ، شوک های تقاضای جهانی برای همه کالاهای صنعتی و شوک تقاضا به بازار جهانی نفت خام. با این حال ، در سالهای اخیر ، با توسعه منابع انرژی جایگزین ، ساختار عرضه و تقاضای نفت خام در سراسر جهان تغییر کرده است..

توسعه اقتصادی جهانی

توسعه اقتصادی جهانی جلوه ای از عرضه و تقاضا است (Doroodian & Boyd ، 2003 ؛ Sadorsky ، 1999 ؛ Barsky & Kilian ، 2001).(Kilian & Hicks ، 2013) با تصحیح پیش بینی رشد تولید ناخالص داخلی (تولید ناخالص داخلی) ، شوک تقاضای جهانی را مستقیماً اندازه گیری کرد. نتایج نشان داد که پیش بینی با رشد غیر منتظره در اقتصادهای نوظهور در دوره 2003 تا 2008 همراه بود. این شگفتی ها با پاسخ به شکل قیمتی از قیمت واقعی نفت که پس از 12-16 ماه به اوج خود می رسد همراه بود. فعالیت اقتصادی واقعی جهانی همیشه در نظر گرفته شده است که بر تغییرات قیمت نفت به میزان قابل توجهی تأثیر می گذارد.(Ozbek & Ozlale ، 2010) در مورد رابطه بین قیمت جهانی اقتصادی و نفت با روند و تجزیه چرخه تحقیق کرد. آنها دریافتند که شوک اقتصادی تأثیر ماندگار بر قیمت نفت دارد ، که عمدتاً به عنوان محور عرضه در نظر گرفته می شدند.

عامل مالی

نفت خام علاوه بر ویژگی های کالایی، ویژگی های مالی نیز دارد. روند بلندمدت قیمت نفت خام توسط ویژگی های کالایی تعیین می شود که تحت تأثیر عوامل عرضه و تقاضای تولید شده توسط اقتصاد واقعی قرار می گیرد. نوسانات کوتاه مدت قیمت نفت خام توسط ویژگی های مالی تعیین می شود که تحت تأثیر انتظارات بازار و معاملات سفته بازی است. عامل مالی عمدتاً شامل عامل سفته بازی، نرخ ارز و برخی دیگر از شاخص های مالی است که بازار سهام و بازار پولی را با قیمت نفت خام مرتبط می کند (نارایان و همکاران، 2010؛ ژانگ، 2013؛ ریبوردو، 2012؛ سیفرلی و پالادینو، 2010).).(کیلیان و مورفی، 2014) یک مدل ساختاری برای تخمین مولفه سفته بازی قیمت نفت از طریق داده های موجودی تهیه کردند و دریافتند که در دوره های شوک قیمت نفت اولیه، از جمله سال های 1979، 1986 و 1990، نقش مهمی ایفا کرده است. (ساری و همکاران،2010) حرکت مشترک و انتقال اطلاعات را بین قیمت نفت، نرخ ارز و قیمت لحظه ای چهار فلز گرانبها (طلا، نقره، پلاتین و پالادیوم) تخمین زد. سرمایه گذاران می توانند ریسک سرمایه گذاری خود را با سرمایه گذاری در فلزات گرانبها، نفت و یورو متنوع کنند.

عامل تکنولوژی

اسپرد کراک به عنوان تفاوت قیمت بین نفت خام و نفت تصفیه شده آن تعریف می شود که منعکس کننده رابطه عرضه و تقاضا بین بازار نفت خام و بازار محصولات تصفیه شده آن است (وانگ و همکاران، 2015).(مورات و توکات، 2009) از مدل راهپیمایی تصادفی (RWM) به عنوان معیاری برای مقایسه معاملات آتی کرک و معاملات آتی نفت خام استفاده کردند و دریافتند که آتی کراک می تواند حرکات قیمت نقدی نفت را به اندازه معاملات آتی نفت خام پیش بینی کند.(Baumeister et al., 2013) گسترش کراک را به عنوان یکی از متغیرهای پیش بینی قیمت نفت خام انتخاب کردند و مطالعات نشان دادند که این یک عامل پیش بینی تأثیرگذار است.

روش پیش بینی

به جز عوامل تأثیر ، محققان نیز نسبت به روشهای پیش بینی برای بهبود دقت پیش بینی بسیار نگران هستند. چهار دسته اصلی روش پیش بینی: مدل های سری زمانی ، مدل های اقتصاد سنجی ، روش های کیفی و تکنیک های هوش مصنوعی در مدل سازی و پیش بینی قیمت نفت استفاده می شود (Wang et al. ، 2016 ؛ Charles & Daé ، 2017 ؛ Yu et al. ، 2015 ؛ Sun ؛و همکاران ، 2019 ؛ Suganthi & Samuel ، 2012 ؛ Zhang et al. ، 2008 ؛ Valgaev et al. ، 2020). میانگین متحرک یکپارچه خود (ARIMA) و هموار سازی نمایی (ETS) از مدل پیش بینی سری زمانی استفاده می شود و آنها معمولاً به عنوان مدل های معیار مورد استفاده قرار می گیرند (وانگ و همکاران ، 2018 ؛ چای و همکاران ، 2018 ؛ زو و همآل. ، 2017). علاوه بر این ، مدل های اقتصاد سنجی و روشهای کیفی مانند مدل هتروسیکاستیک مشروط مشروط تعمیم یافته (GARCH) ، مدل Autoregression وکتور (VAR) ، مدل های حالت فضای و مدل های آستانه نیز به طور گسترده ای مورد استفاده قرار می گیرند (Kilian ، 2010 ؛ Wang & Sun ،2017 ؛ ژانگ و وی ، 2011 ؛ جی و فن ، 2016 ؛ دراچال ، 2016).

با این حال ، با افزایش حجم داده ها و عوامل تأثیرگذاری پیچیده ، مدلهای سنتی در پیش بینی دقیق شکست خوردند. روش پیش بینی یادگیری ماشین ، برتری خود را ارائه می دهد و بیشتر از رویکردهای سنتی بهتر از آزمایش با نتایج تجربی ، به ویژه در برخورد با مشکل غیرخطی و پیش بینی کوتاه مدت ، بهتر عمل می کند. مانند دستگاه های بردار پشتیبانی (SVM) ، شبکه های عصبی مصنوعی (ANNS) ، الگوریتم های ژنتیکی (GA) و تجزیه و تحلیل موجک در سالهای اخیر به پیش بینی قیمت نفت معرفی می شوند. به عنوان مثال ، (ژائو و همکاران ، 2017) مدل AutoEncoders Denoising Stacked (SDAE) را برای پیش بینی قیمت نفت پیشنهاد کردند. نتایج تجربی روش پیشنهادی اثربخشی و استحکام آماری را اثبات کرد.(Xiong et al. ، 2013) یک مدل یکپارچه EMD-FNN-SBN را تهیه کرد ، که تجزیه حالت تجربی (EMD) است که بر اساس شبکه عصبی تغذیه ای (FNN) مدل سازی شامل روش مبتنی بر شیب (SBM) است. نتایج نشان می دهد این مدل با استفاده از استراتژی MIMO (چند ورودی چند ورودی) در دقت پیش بینی بهترین است.

در طول دهه های گذشته ، عوامل و مدل های بیشتر و بیشتر معرفی شده ، برآورد و تأیید شده است. چندین عامل مختلف می توانند مشکل پیش بینی قیمت نفت را از دید تجربی و نظری برطرف کنند. بسیاری از محققان همیشه عوامل و مدل های کلی را مستقیماً انتخاب می کنند ، صرف نظر از اینکه شاخص ها متغیرهای اصلی واقعی هستند. به خصوص با گسترش داده ها و شاخص های کمی ، انتخاب متغیر بیشتر و مهم تر می شود. در سالهای اخیر ، برخی از مقالات قبل از پیش بینی شروع به استخراج عوامل اصلی می کنند. حتی اگر برخی از فرآیندهای انتخاب متغیر در برخی از روشهای یادگیری ماشین وجود داشته باشد ، همه آنها در پیش بینی و فقط برای استحکام مدل توخالی شده اند (Drezga & Rahman ، 1998 ؛ May et al. ، 2008 ؛ Korobilis ، 2013 ؛ Huang et al. ، 2014). قبل از پیش بینی ، مقالات کمتری به انتخاب متغیر اختصاص داده شده است. به عنوان مثال ، (چای و همکاران ، 2018) قبل از ایجاد مدل پیش بینی قیمت نفت از روش متوسط مدل بیزی برای انتخاب متغیر تأثیر استفاده کردند.(ژانگ و همکاران ، 2019) با استفاده از یک مدل شبکه الاستیک و انقباض لاسو در مورد بسیاری از متغیرهای پیش بینی کننده اما داده های نسبتاً کمی ، عوامل اصلی مؤثر بر قیمت روغن را به طور دقیق نمایش دهید. عوامل اصلی مؤثر بر پیش بینی قیمت نفت از زاویه انتخاب متغیر مورد بررسی قرار گرفته است. ثانیا ، دقت و استحکام مدل شبکه الاستیک و روش انقباض لاسو در پیش بینی قیمت نفت با استفاده از انواع تست های استحکام به طور جامع تأیید می شود. نتایج نشان می دهد که انقباض Lasso و مدل شبکه الاستیک از سایر مدل های پیش بینی قیمت روغن استاندارد بهتر است. یک سرمایه گذار که دارایی ها را بر اساس پیش بینی این دو روش اختصاص می دهد ، می تواند نسبت به سایر مدل های پیش بینی قیمت نفت بازده قابل توجهی تر کند.

در این مقاله ، ما یک مدل یکپارچه با یک روش یادگیری ماشین جدید برای پیش بینی قیمت نفت خام بر اساس انتخاب فاکتور اصلی تهیه می کنیم. این مقاله به انتخاب متغیر و روش یادگیری ماشین در پیش بینی قیمت نفت کمک می کند. در فرآیند انتخاب متغیر ، ما سه رویکرد با مزایای مختلف را برای تجزیه و تحلیل مقایسه و پیش بینی ، مدل خطی عمومی تنظیم شده با شبکه الاستیک ، میانگین مدل بیزی و روش لاسو اسپایک-اسلابی معرفی می کنیم. علاوه بر این ، ما آنها را با یک روش جدید یادگیری ماشین آلات حافظه کوتاه مدت (LSTM) برای پیش بینی قیمت نفت ترکیب می کنیم. سرانجام ، پیاده روی تصادفی (RW) ، مدل های متوسط متحرک یکپارچه خود (ARMA) ، شبکه های عصبی Elman (ENN) ، شبکه های عصبی ELM (EL) ، شبکه های عصبی Walvet (WNN) و مدل های عصبی رگرسیون عمومی (GRNN) برای پیش بینی استفاده شدند. قیمت. سرانجام ، ما نتایج مختلف را با میانگین خطای مربع ریشه (RMSE) ، میانگین خطای درصد مطلق (MAPE) ، تقارن جهت دار (DS) مقایسه و تجزیه و تحلیل می کنیم. چارچوب تحقیق در شکل 1 نشان داده شده است.