ارزیابی عملکرد الگوهای شبکه‎ی عصبی و خودرگرسیون میانگین متحرک در پیش‎بینی قیمت نفت‎خام ایران

این مطالعه با هدف معرفی الگوهای مطلوب پیش‎بینی برای قیمت نفت‎خام ایران انجام شده است داده های مورد استفاده به‎صورت هفتگی و شامل دوره‎ی 2010-1997 می‎باشد و پیش‎بینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیش‎بینی، شامل 4 الگوی شبکه‎ی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکه‎ی پیشخور پس انتشار، شبکه‎ی آبشاری پس انتشار، شبکه‎ی المان پس انتشار و شبکه‎ی رگرسیون تعمیم یافته می باشد. هم‎چنین توابع آموزش مورد استفاده در پیش‎بینی شامل توابع لونبرگ- مارکوآت و شبه‎ی نیوتنی است. یافته های به دست آمده نشان می‎دهد برای پیش‎بینی 10 درصد از داده های قیمت نفت‎خام، الگوهای شبکه‎ی رگرسیون تعمیم یافته و شبکه‎ی آبشاری پس انتشار با تابع آموزش شبه‎ی نیوتنی، به ترتیب با خطایی کم‎تر از 1 و کم‎تر از 2 درصد دارای بهترین عملکرد هستند. برای پیش‎بینی 20 درصد داده های قیمت نفت‎خام ایران، شبکه‎ی پیشخور پس انتشار و شبکه‎ی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر می‎باشند. در مورد 30 درصد از داده ها نیز شبکه‎ی پیشخور پس انتشار مطلوب تر ارزیابی شده است. هم‎چنین نتایج نشان می‎دهد به‎طور نسبی با افزایش درصد داده های مورد استفاده در پیش‎بینی، دقت پیش‎بینی ها به‎ویژه با افزایش از 10 درصد به 20 درصد رو به افول می‎رود. دقت پیش‎بینی خودرگرسیون میانگین متحرک نیز پایین‎تر از الگوهای شبکه‎ی عصبی ارزیابی می‎شود.