عنوان پایان‌نامه
پیش بینی قیمت هفتگی نفت خام با استفاده از مدل ترکیبی ar۱ma و svm
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61796
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۲
- دانشجو
- حسین کرمی
- استاد راهنما
- شاپور محمدی
- چکیده
- یکی از مباحث مورد توجه در زمینه¬های مالی، پیش بینی متغیرهای اقتصادیی است که خود به عنوان متغیر مستقل در تصمیمات کلان مورد توجه قرار می¬گیرند، بر همین مبنا پیش بینی قیمت نفت خام به عنوان عاملی که بر اقتصاد اکثر کشورهای صادر کننده و وارد کننده به عنوان یک پارامتر اثر گذار می¬باشد و کشور و اقتصاد ایران نیز از این امر مستثنی نیست مورد توجه قرار گرفت . با مانا کردن سری زمانی قیمت نفت خام از طریق محاسبه بازده لگاریتمی و برازش مدل بهینه خودرگرسیو میانگین متحرک انباشته¬، سری زمانی پسماندهای مربوط به برازش جهت مدل سازی الگوی غیر خطی به مدل ماشین بردار پشتیبان داده می-شود و نتایج حاصل از برازش پسماندها به مقدار پیش بینی بخش خطی حاصل از مدل خود رگرسیو میانگین متحرک انباشته اضافه می¬گردد، که نتایج حاصل از این ترکیب را با برازش های بهینه حاصل از مدل خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان مورد مقایسه قرار می¬دهیم. با توجه به محاسبه دو معیار ارزیابی عملکرد ریشه میانگین مجذور خطا و میانگین قدر مطلق درصدخطا در هر سه مدل ترکیبی، خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان ، فرضیه های تحقیق با توجه به آزمون¬ مقایسه¬ی زوجی و آزمون دایبولد- ماریانا مبنی بر معنادارا بودن دقت پیش بینی مدل ترکیبی نسبت به کاربرد مجزای هر یک از مدل¬های خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان رد نگردید.
- Abstract
- One of the intentioned discussions in the fields of Financial is forecasting of the economical variables which themselves as independent variable was considered in macro decision. Based on this crude oil forecasting as a factor which influenced the economies of the all oil exporting and importing countries and the country of Iran and its economy is not exceptional. With stationary control of the Time series of the crude oil through the logarithmic return computation and fitness improvement model of the Autoregressive integration moving average, time series for related residual of the fitness in direction of non linear pattern to the support vector machine and results gained from fitness of the residual is added to the predicted amount of the linear sector gained from Autoregressive integration moving average ,in this research we would compare results gained from this combination with improving fitnesses gained from Autoregressive integration moving average and support vector machine. In attention to the two functions estimation measure root mean square error (RMSE) and mean absolute percent error (MAPE) in all three model of combinational, Autoregressive integration moving average and support vector machine the research hypothesises in attention to the paired test computation and Diebold-Mariano test based on the significance of the hybrid model forecasting precision in proportion separation application each of the models of support vector machine and Autoregressive integration moving average was not rejected .
