عنوان پایان‌نامه
قیمت نفت و فرآورده های نفتی مرتبط با صنعت روانکار با استفاده از شبکه عصبی (ANN) وARMA
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75807;کتابخانه پردیس البرز شماره ثبت: 1098
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۵
- استاد راهنما
- عسگر نوربخش
- دانشجو
- عباس کریمی
- چکیده
- در این تحقیق به مقایسه قدرت پیش¬بینی مدل‌های ARMA و شبکه‌های عصبی مصنوعی (ANN) در بازار انرژی با استفاده از داده‌های هفتگی چهار متغیر نفت خام، نفت کوره، لوبکات و روغن پایه در بازه سال‌های 2011 تا 2015 پرداخته شده است. نتایج این مطالعه با توجه به فرضیه‌های این پژوهش، حاکی از برتری روش شبکه‌های عصبی مصنوعی به لحاظ معیارهای ارزیابی عملکرد پیش بینی مانند RMSE در پیش‌بینی چهار متغیر اصلی این تحقیق بود. براین اساس استفاده از روش شبکه‌های عصبی مصنوعی در بازار انرژی و بخصوص در مورد متغیرهای این پژوهش توصیه می‌شود. با این حال آزمون معنی‌داری انجام شده جهت تایید یا رد فرضیه‌های پژوهش بر روی اختلاف مقادیر پیش‌بینی شده با دو روش با مقادیر واقعی آنها نشان می‌دهد که " پیش بینی قیمت نفت، روغن پایه و لوبکات با استفاده از روش ARMA تفاوت معنی داری با روش شبکه عصبی ندارد.". البته بررسی این موضوع در مورد متغیرHSFO متفاوت بوده و نتایج آزمون فرض نشان داد که پیش بینی قیمت با روش شبکه عصبی دارای تفاوت معنی‌دار نسبت به روش ARMA بوده و لذا استفاده از روش شبکه عصبی درخصوص این متغیر قویا تاکید می‌شود.
- Abstract
- In this study compares the predictive power of ARMA models and artificial neural networks (ANN) in the energy market by means of four variable weekly data on crude oil, fuel oil (HSFO), base oil and lube cut and was in the range of 2011 to 2015. The results showed the superiority of artificial neural networks based on predict performance evaluation criteria such as RMSE in forecasting the four main variables of the study. Accordingly, the use of artificial neural networks in the energy market, particularly with regard to the study is recommended. However, a significant difference test was carried out on the predicted values with the actual values of the two methods shows that the Forecasted price of oil, base oil and lube cut by ARMA and ANN methods have not significantly different. Of course, this issue about HSFO variable is different and hypothesis testing results shows that the predicted price using artificial neural network has a significant difference compared to ARMA method. As a result, use of artificial neural networks on this variable is strongly recommended. Keywords: predicting or forecasting the price of oil, crude oil, petroleum products, lubricants, artificial neural networks (ANN), ARMA, ARIMA, Base Oil, Crude Oil, Lube Cut, HSFO.
