پیش‌بینی قیمت نفت با به کارگیری یک شبکهء عصبی مصنوعی تلفیقی

محمدرضا امین‌ناصری ،احسان احمدی قراچه

(بخش‌اول)



مقدمه

تصمیمات امروز مدیریت، براساس شرایطی که در آینده محقق خواهند شد اتخاذ می‌شوند. بنابراین‌ آگاهی از شرایط آتی، برای بهبود تصمیماتی که امروز گرفته می‌شوند امری حیاتی است و این اطلاع نیز تنها با پیش‌بینی‌های دقیق و قابل اطمینان که بر مدل‌های مناسب استوار باشند میسر است.

نفت خام کالایی است که به صورت بین‌المللی خرید و فروش می‌شود. با این‌که قیمت نفت، اساسا از برهم‌کنش عرضه و تقاضا شکل می‌گیرد اما به شدت تحت تاثیر وقایعی نظیر سطح موجودی‌ها، مسایل سیاسی، هیجانات بازار و حتی آب و هوا است. این شرایط باعث شده است که بازار نفت، بازاری بسیار متغیر و پیچیده باشد که درک مکانیسم بنیادین و قواعد حاکم بر آن به سادگی میسر نیست.

پیچیدگی‌های ذکر شده باعث شده است که مدل‌های خطی پیش‌بینی، عملکرد مناسبی در این زمینه نداشته باشند. به این‌ جهت است که محققین به استفاده از روش‌های غیرخطی برای پیش‌بینی روی آورده‌اند. یکی از این روش‌ها، روش شبکهء عصبی است که با الهام از سیستم عصبی انسان به وجود آمده است. شبکهء عصبی عملکرد مناسبی در پیش‌بینی سری‌های زمانی مختلف از خود نشان داده است.

باوجود مزایای پیش‌گفته، یکی از مشکلات عمده‌ای که در استفاده از شبکهء عصبی وجود دارد، فرآیند «آزمون و خطا» برای تعیین معماری بهینهء آن است که کاری طاقت‌فرسا و زمان‌بر است. با توجه به قدرت فراوان الگوریتم ژنتیک در جست‌وجو‌ی‌ فضاهای جواب بزرگ و پیچیده، محققین اخیرا از الگوریتم ژنتیک برای تعیین معماری بهینه استفاده کرده‌اند.

این مقاله تلفیقی از شبکهء عصبی و الگوریتم ژنتیک ارایه داده است که می‌تواند به نحو مناسبی به پیش‌بینی قیمت نفت بپردازد. در این رویکرد، ابتدا کروموزومی که ژن‌های آن نمایش‌دهندهء پارامترهای معماری شبکه هستند تعریف می‌شود. سپس یک جمعیت اولیهء تصادفی (نسل اول) از این کروموزوم‌ها ایجاد می‌شود که با طی کردن روند تکاملی به سمت معماری بهینه حرکت می‌کند. بهترین عضو از آخرین نسل، معماری بهینه (یا نزدیک به بهینه) است.

داده‌های مورد استفاده برای برآورد مدل ترکیبی پیشنهادی، قیمت‌های نفت خام West Texas ( Intermediate (WTI در بازهء زمانی 1988 تا 2004 هستند و قیمت‌های سال 2005 و 2006 نیز برای آزمایش مدل پیشنهادی و سنجیدن میزان کارآیی آن به‌کار گرفته شده‌اند. مقایسه‌های انجام شده نشان می‌دهند که پیش‌بینی‌های مدل پیشنهادی، بر سایر روش‌ها برتری دارند.

پیش‌بینی قیمت نفت خام

امین‌ناصری و اصفهانیان در سال 1383 با استفاده از یک شبکهء عصبی پیش‌خور ( Feed Forward ) به پیش‌بینی کوتاه‌مدت قیمت نفت خام پرداخته‌اند. آن‌ها بر خلاف محققین دیگر در حوزهء شبکهء عصبی که تنها از روش‌های یادگیری ساده جهت آموزش شبکهء عصبی استفاده کرده‌اند، از روش‌های پیشرفته‌تر نظیر الگوریتم لونبرگ- مارکوآت استفاده و بهبود فراوانی در یادگیری و قدرت پیش‌بینی شبکه حاصل کرده‌اند. همچنین تاثیر متغیرهای مختلف و بنیادین با انجام آزمایش‌های فراوان بررسی شده است ولی هیچ یک از متغیرها به جز متغیر تاخیری قیمت نفت با وقفه‌های ( Lags ) تا 9 ماهه نتوانسته است نتایج پیش‌بینی شبکه را بهبود بخشد. امین‌ناصری و احمدی قراچه در سال 1385 با استفاده از رویکرد ترکیبی خوشه‌بندی و شبکهء عصبی، به پیش‌بینی قیمت ماهانهء نفت خام پرداخته‌اند.

مورانا در سال 2001 یک رویکرد نیمه‌پارامتری برای پیش‌بینی کوتاه‌مدت قیمت نفت پیشنهاد کرده و نشان داده است که چگونه می‌توان از خاصیت ناهمگنی مشروط خودرگرسیو تعمیم‌یافته ( GARCH ) تغییرات قیمت نفت، برای پیش‌بینی توزیع قیمت نفت در افق‌های کوتاه‌مدت بهره گرفت. رویکرد پیش‌بینی ارایه شده، هم می‌تواند معیاری برای قیمت آتی‌های ( Futures ) نفت به دست دهد و هم پیش‌بینی فاصله‌ای قیمت آنی ( Spot ) نفت را محاسبه کند. «مورانا» اعتقاد دارد با توجه به وجود پدیدهء آشوب و غیرخطی بودن فرآیند حاکم بر سری زمانی قیمت، می‌توان انتظار داشت که مدل‌های غیرخطی (نظیر شبکهء عصبی) به پیش‌بینی بهتری منجر شود. اما این محقق از طرفی اذعان می‌کند که تعیین مشخصات مدل نیز در مدل‌سازی غیرخطی می‌تواند بسیار موردی و زمان‌بر باشد.

کابودان در سال 2001 با استفاده از سری زمانی قیمت‌های ماهانهء نفت خام و با بکارگیری شبکهء عصبی به پیش‌بینی قیمت نفت پرداخته است. او این مدل را با مدل گام‌زنی تصادفی و نیز مدل برنامه‌نویسی ژنتیک ( GeneticProgrammin ) خود مقایسه کرده و به این نتیجه رسیده که برنامه‌نویسی ژنتیک عملکرد بهتری نسبت به روش‌های دیگر داراست.

یانگ و همکاران در سال 2002 تغییرات قیمت در بازار نفت‌خام را با بررسی ساختار بازار اوپک، ساختار پایدار و ناپایدار تقاضا، و کشسانی تقاضا مورد بررسی قرار داده‌اند. به‌ویژه، تاثیر رونق و رکود اقتصاد جهانی (با در نظر گرفتن تولید ناخالص داخلی کشورهای عضو سازمان همکاری و توسعهء اقتصادی که عموماً کشورهای مصرف‌کنندهء نفت هستند) و تغییر تقاضای نفت خام ناشی از آن نیز بررسی شده است. آن‌ها نهایتا با انجام یک شبیه‌سازی، تغییر قیمت نفت تحت سناریوهای مختلف کاهش تولید روزانه اوپک را ارزیابی کرده‌اند.

تانگ و حموده در سال 2002 رفتار قیمت جهانی نفت را بر اساس مدل ناحیهء هدف ( Target Zone ) مورد بررسی قرار داده‌اند. مدل ناحیهء هدف بیان می‌کند که سازمان اوپک با اعمال کنترل بر تولید نفت، قیمت نفت را در ناحیهء هدف از پیش تعیین‌شده‌ای نگاه می‌دارد. روش‌های اقتصادسنجی در این مقاله نشان داده‌اند که تغییر قیمت نفت، نه تنها تحت تاثیر این دخالت‌های واقعی و اساسی اوپک قرار دارد بلکه انتظارات شرکت‌کنندگان بازار از این دخالت‌ها نیز در نرم کردن نحوهء حرکت قیمت در هنگام نزدیک شدن به مرزهای بالایی و پایینی ناحیه مؤثر بوده است.

میرمیرانی و لی در سال 2004 با استفاده از متغیرهای ورودی نظیر قیمت‌های ماهانهء نفت، میزان مصرف ماهانهء نفت، میزان عرضهء ماهانهء نفت و میزان عرضهء پول ( Money Supply ) به مدل‌سازی قیمت نفت توسط دو تکنیک خودرگرسیون برداری ( VAR ) و ترکیبی از شبکهء عصبی و الگوریتم ژنتیک پرداخته‌اند. متغیرهای عرضه و مصرف (تقاضا) به آن‌ جهت در نظر گرفته شده‌اند که قیمت نفت اساسا از برهم‌کنش عرضه و تقاضا شکل می‌گیرد. متغیر عرضهء پول نیز برای منعکس کردن تاثیر سیاست‌های اقتصادی کلان بر قیمت نفت در نظر گرفته شده است. نتایج مقالهء مزبور نشان‌دهندهء آن است که روش ترکیبی شبکهء عصبی و الگوریتم ژنتیک بر روش خودرگرسیون برداری ارجحیت دارد.

برنابه و همکاران در سال 2004 یک رویکرد چندمدلی احتمالی برای تشریح پویایی‌های قیمت نفت خام ارایه کرده‌اند. بر مبنای این فرضیه که پویایی‌های قیمت نفت خام نشان‌دهندهء یک بازار رقابتی با چند نقطه تعادل است، یک رویکرد چندمدلی با خاصیت رجوع به میانگین ( Mean Revert ) ارایه شده است که دو فرآیند رقابتی را در خود گنجانده و انحرافات این دو فرآیند را مورد بررسی قرار می‌دهد. تغییر رژیم بین این دو فرآیند احتمالی استاندارد، خود بعنوان یک فرآیند ساده مدل شده است که رویدادهای حاد اجتماعی، سیاسی و ... را که به ندرت رخ می‌دهند اما تاثیر زیادی بر تحولات بازار و نوسان قیمت‌ها دارند، تشریح می‌کند.

دانشگاه تربیت مدرس، دانشکدهء فنی و مهندسی، گروه مهندسی صنایع