پیش‌بینی قیمت گاز طبیعی با استفاده از روش‌های توسعه‌یافته مبتنی بر روش گری و تحلیل فرکتال

الموضوعات : دانش مالی تحلیل اوراق بهادار

سعید امامی کوپائی ¹ (دانشجوی کارشناسی ارشد رشته مدیریت مالی، دانشکده مدیریت و علوم اجتماعی، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران.)
شیوا زمانی ² (دانشیار و عضو هیات علمی دانشکده اقتصاد و مدیریت، دانشگاه صنعتی شریف، تهران، ایران)
علیرضا حیدرزاده هنزائی ³ (استادیار و عضو هیات علمی گروه مدیریت مالی دانشکده مدیریت و علوم اجتماعی، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران.)
محمدرضا شاه نظری ⁴ (دانشیار دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.)

تاريخ الإرسال : 06 الإثنين , رمضان, 1439 تاريخ التأكيد : 17 الأربعاء , جمادى الأولى, 1440 تاريخ الإصدار : 29 الأحد , شوال, 1441

الکلمات المفتاحية: گاز طبیعی, پیش‌بینی قیمت, روش گری, فرکتال, انباشتگی,

ملخص المقالة :

اهمیت پیش‌بینی قیمت حامل‌های انرژی بر توسعه اقتصاد و صنعت، امروزه بر کسی پوشیده نیست. در این میان پیش‌بینی قیمت گاز طبیعی به عنوان یکی از حامل‌های مهم انرژی می‌تواند ابزار مهمی در تصمیم‌گیری توسعه صنایع تلقی گردد. در این مقاله ضمن بررسی رفتار غیرخطی قیمت گازطبیعی در یک بازه چندساله، با معرفی روش‌های توسعه‌یافته گری و تلفیقی فرکتالی گری از آنها برای پیش‌بینی قیمت گاز طبیعی استفاده شده‌است. نتایج حاصل از پیش‌بینی قیمت مبنی بر روش‌های معرفی شده، نشانگر کارایی روش‌ها است. در همین حال با توجه به فرکتالی‌بودن قیمت گاز طبیعی در بازه مورد بررسی، نتایج نشان می‌دهد که خطای پیش‌بینی با استفاده از روش تلفیقی فرکتالی گری همواره کمتر از ۲ درصد می‌باشد و نتایج بسیار خوبی با استفاده از روش ترکیبی گری و فرکتال حاصل شده‌است، گرچه مقایسه میزان خطای پیش‌بینی، بیانگر دقت بهتر روش تلفیقی فرکتالی گری برای این بازار با توجه به رفتار فرکتالی آن می‌باشد.

المصادر:

*      Agbon, I. S., & Araque, J. C. (2003). “Predicting Oil and Gas Spot Prices Using Chaos Time Series Analysis and Fuzzy Neural Network Model” Society of Petroleum Engineers,  doi:10.2118/82014-M

*      Bera, Anil K. & Jarque, Carlos M. (1981). “Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence” Economics Letters. 7(4): 313–318

*      Bera, Anil K. & Jarque, Carlos M. (1981). “Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence” Economics Letters. 7(4): 313–318.

*      Dehdar, F., Yap, S., Naghavi, M. S., & Dehdar, M. M. (2017). “Charting the Future Global Status of Oil and Natural Gas using Grey Forecasting”. Institutions and Economies. 8(3), 105-125.

*      Doris, R. F. & Economides, M. J. (1999). “Prediction of short-term natural gas prices using econometric and neural network models.” SPE Hydrocarbon Economics and Evaluation Symposium, 1-10,

*      Gorucu, F. B., Geris, P. U., Gumrah, F. (2004). “Artificial neural network modeling for forecasting gas consumption”. Energy Sources. 26(3), 299 – 307.

*      Hsu, C. C., & Chen, C. Y. (2003). “A modified Grey Forecasting Model for Long‐Term Prediction”. Journal of the Chinese Institute of Engineers, 26(3), 301-308.

*      Hsieh, Y. (1990). “Natural Gas Price Projection: A Methodology”. American Gas Association Forecasting Review,

*      Inikori, S. O., Kunju, M. K., Iledare, O. O. (2001). “The Responsiveness of Global E&P Industry to Changes in Petroleum Prices: Evidence From 1960-2000”. Society of Petroleum Engineers, doi:10.2118/68587-MS

*      Kayacan, E., Kaynak, O. & Ulutas, B. (2010). “Grey system theory- based models in time series prediction”. Expert Systems with Application, 37(2), 1784-1789

*      Lu, I. J., Lin, S. J., & Lewis, C. (2007). “Decomposition and decoupling effects of carbon dioxide emission from highway transportation in Taiwan, Germany, Japan and South Korea”. Energy Policy, 35(6), 3226-3235.

*      Morita, H., Kase, T., Tamura, Y., & Iwamoto, S. (1996). “Interval prediction of annual maximum demand using grey dynamic model”. International Journal of Electrical Power & Energy Systems, 18(7), 409-413.

*      Morozov., V. A. , The principle of discrepancy in the solution of inconsistent equa-tions by Tikhonov's regularization method, Zhurnal Vychislitel'noy matematiky i matematicheskoy. siki, 13 (1973) 5. (in Russian), 10.

*      Nogales, F. J., Contreras, J., Conejo, A. J., Espínola, R. (2002). “Forecasting next-day electricity prices by time series models”.  IEEE Transactions on Power Systems, 17(2), 342-348.

*      Peters, E. E., (1994). “Applying Chaos Theory to Investment and Economics, Fractal Market Analysis”, John Wiley & Sons, Inc.

*      Pilipovic, D. (2007). “Energy Risk: Valuing and Managing Energy Derivatives”, 2^nd ed. McGraw Hill Professional.

*      Pindyck, R. S. (1978). “The optimal exploration and production of nonrenewable resources”. The Journal of Political Economy, 86(5), 841-861.

*      Powers, L. W. & Stevenson, W. M. (1987). “Perceptions the Key to Oil Prices”. Society of Petroleum Engineers, doi:10.2118/16838-MS

*      Quanping, H. and Xiaoyi, Y. (2013). “Base a EMD-grey model for textile export time series prediction”, International Journal of Data Theory Application, 6(6), 29-38.