Loading...
پیش بینی میزان تولید نفت خام با مدل سازی داده های سری زمانی در R
در این بخش پروژه پیش بینی میزان تولید نفت خام با مدل سازی ARIMA و GARCH در نرم افزار R به همراه داکیومنت و فیلم آموزشی آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و تصاویر خروجی به همراه قسمتی از فیلم آموزشی پروژه در محیط R قرار داده شده است.
تحلیل داده های نفت خام
نفت خام یکی از مهم ترین کالا های استراتژیک در اقتصاد جهانی به حساب می آید که نقش مهمی در تعیین بسیاری از معادلات منطقه ای و بین الملی دارد. با توجه به این موضوع حائز اهمیت، محققان اقتصادی و تصمیم گیرندگان سیاسی همواره در تلاش برای اطلاع از پیش بینی صحیح قیمت نفت خام بوده اند. بازار های نفتی یکی از پیچیده ترین، پرتلاطم ترین و غیر شفاف ترین بازار های مالی بین المللی محسوب می شوند و شرایط این بازار های مالی با محیط های خاکستری تطبیق مناسبی دارد. عوامل بسیاری وجود دارد که بر روی قیمت نفت خام تاثیر گذار هستند، از این رو بکارگیری یک مدل چند متغیره که همه عوامل موثر بر قیمت نفت را لحاظ کرده باشد کار دشواری می باشد. به همین دلیل، پیش بینی این متغیر از طریق مدل های چند متغیره نیز بسیار دشوار است. در این حالت ممکن است استفاده از مدل های تک متغیره روش مناسبی باشد. در این مدل ها از حافظه تاریخی متغیر برای مدل سازی و پیش بینی استفاده می شود. در همین راستا ما در این پروژه مدل سازی و پیش بینی میزان تولید نفت خام را براساس داده های سری زمانی (Time Series) انجام خواهم داد.
معرفی پروژه
در این پروژه با استفاده از نرم افزار R و همچنین داده های سری زمانی مربوط به یک چاه نفت که از آن گاز طبیعی ، نفت گرمایشی ، بنزین معمولی ، نفت خام و گاز پروپان به دست می آید، به کمک مدل سازی گارچ (GARCH) و مدل سازی آریما (ARIMA) به تحلیل داده ها، مدل سازی داده ها و همچنین پیشگویی میزان تولید نفت خام در بازه های زمانی مشخص خواهیم پرداخت. در این پروژه برای تجزیه و تحلیل از پکیج های rugarch , forecast , xts , tseries استفاده می شود.
مدل سازی GARCH
مدل GARCH یکی از کارآمدترین مدل ها برای مدل سازی سری های زمانی می باشد که مخفف Generalised Autoregressive Conditional Heteroskedasticity می باشد. این نوع مدل سازی در مدل کردن داده هایی کاربرد دارد که ویژگی اساسی آنها نوسان می باشد. چیزی که در داده های مربوط به سهام، بورس و قیمت طلا و تولید نفت قابل مشاهده است.
ناهمواریانسی در سری زمانی
ناهمواریانسی یا Heteroskedasticity به مجموعه ای از متغیرهای تصادفی مانند عناصر سری زمانی اطلاق می شود که گروهی یا زیر مجموعه ای از مشاهدات دارای واریانس متفاوتی از سایر مشاهدات باشند. برای مثال در داده های سری زمانی مربوط به جریان رودخانه که داده ها پایداری ندارد و واریانس مشاهدات تابع تغییرات فصلی است، این ناهمواریانسی مشهودتر می باشد. معمولا افزایش یا کاهش ناگهانی در سری زمانی باعث افزایش مقادیر آینده می شود. به این معنی که افزایش واریانس وابسته به مقادیر قبلی می باشد که به این پدیده در سری های زمانی Conditional Heteroskedasticity گفته می شود. اهمیت ناهمواریانسی شرطی را در پاراگراف قبلی مشاهده نمودیم و متوجه شدیم که این موضوع در مدل سازی سری های زمانی اهمیت ویژه دارد. هدف ما وارد کردن این موضوع در مدل سازی سری های زمانی است. مدل سازی آریما (ARIMA) یک مدل سازی قوی برای سری های زمانی می باشد منتهی این روش مدل سازی ناهمواریانسی شرطی را در مدل سازی سری زمانی لحاظ نمی کند و صرفا از مقادیر autocorrelation مشادهات Residuals های مدل استفاده می کند. پس راهکار چیست؟ راهکار ساختن مدلی است که یک فرایند autoregressive می باشد که برخلاف ARIMA که این فرایند را بر روی میانگین مقادیر استفاده می کرد از واریانس مقادیر استفاده کند. این مدل تغییرات واریانس در زمان را با استفاده از مقادیر گذشته واریانس مدل می کند.
تصاویر خروجی پروژه
تصویر 1:
تصویر 2:
تصویر 3:
تصویر 4:
تصویر 5:
هیچ نظری ثبت نشده است