پیش بینی قیمت نفت خام

روغن خام مخلوط مایعات نفتی و گازها است که توسط چاه های نفتی از زمین استخراج می شود. این منبع مهم سوخت است و در تولید چندین محصول استفاده می شود. با توجه به نقش مهم قیمت نمایشنامه های نفت خام ، برای مدیران بسیار مهم است که قیمت نفت آینده را ضمن تصمیم گیری های عملیاتی مانند: چه موقع خرید مواد ، چه مقدار تولید و چه شیوه حمل و نقل استفاده می کنند ، پیش بینی کنند. هدف از این مقاله تهیه یک مدل پیش بینی برای پیش بینی قیمت نفتی است که به مدیریت کمک می کند تا هزینه های عملیاتی ، افزایش سود و افزایش مزیت رقابتی را افزایش دهد. ما ابتدا نظریه های اصلی مربوط به پیش بینی قیمت نفت را دنبال می کنیم و به دنبال آن بررسی دو جریان اصلی نظریه پیش بینی ، که قانون استفاده از ظرفیت هدف (TCU) و نظریه منابع خارج از کشور هستند. ما یک مدل شبیه سازی بازگشتی یک قانون استفاده از ظرفیت هدف را پیاده سازی می کنیم و آن را بر روی داده های تاریخی از سال 1987 تا 2017 آزمایش می کنیم تا قیمت نفت خام را برای 1991 تا 2017 پیش بینی کنیم. MPE از 12. 676 ، 280. 92 ، 0. 2597 ، 0. 028. ما همچنین پیش بینی های قیمت نفت را در یک سطح ماهانه بر اساس پیش بینی سالانه قیمت نفت از بهترین روش ما تخمین زده ایم. مقادیر محاسبه شده MAD ، MSE ، MAPE و MPE به ترتیب 5. 66 ، 82. 1163 ، 0. 1246 و 0. 038 است که نشان می دهد مدل ما دوباره در یک سطح ماهانه نوید بخش است.

روی نسخه خطی کار می کنید؟

معرفی

روغن خام ترکیبی از هیدروکربن ها است که در فاز مایع در مخازن زیرزمینی طبیعی وجود دارد و پس از عبور از امکانات جداکننده سطح ، در فشار اتمسفر مایع باقی می مانند. این هم منبع مهمی از سوخت و هم برای مواد اولیه برای بسیاری از محصولات مانند نایلون ، لاستیک ، موارد CD و پلاستیک است و تقریباً در همه جنبه های زندگی ما وجود دارد و بنابراین ، نقش مهمی در نحوه تغییر اقتصاد ما دارد. بنابراین ، تغییرات در قیمت نفت خام اغلب شاخص های بزرگی در مورد تغییر در اقتصاد کلی و بازارهای جهانی است. با این حال ، پیش بینی قیمت نفت به طور دقیق در دوره های زمانی مختلف دشوار است زیرا عوامل زیادی وجود دارد که می تواند بر قیمت نفت تأثیر بگذارد.

به عنوان نمونه ، در رکود اقتصادی ایالات متحده در سال 2008 ، بحران مسکن باعث کاهش قیمت نفت خام شد و بسیاری از مدلهای پیش بینی کننده در پیش بینی تغییرات آینده ناکارآمد است. اخیراً ، شروع همه گیر Covid-19 در اوایل مارس 2020 منجر به کاهش قابل توجه تقاضا برای نفت خام شد. هنگامی که نمایندگان اوپک + (اتحاد غیررسمی کشورهای اوپک و غیر اپک) برای بحث در مورد کاهش تولید نفت روبرو شدند ، روسیه ، یک عضو غیر اپک این اجلاس از خواسته های کاهش تولید خودداری کرد و منجر به جنگ قیمت نفت علیه اوپک شد. کشورها و به ویژه عربستان سعودی باعث کاهش چشمگیر قیمت نفت خام می شوند.

این اقدامات و وقایع غیرقابل پیش بینی می تواند اثرات چشمگیری بر قیمت نفت خام ایجاد کند که به نوبه خود می تواند بر اقتصاد جهانی و بازارها تأثیر بگذارد. توانایی پیش بینی این تغییرات در قیمت نفت به شرکت کنندگان اقتصادی مانند شرکت ها اجازه می دهد تا با تغییرات بازار آینده سازگار شوند و اطلاعات دقیقی را که از طریق آنها می توانند برای انتخاب تصمیم بهینه برای آنها استفاده کنند ، در اختیار تصمیم گیرندگان قرار می دهد. به همین ترتیب ، بسیار مهم است که ما یک مدل قوی تهیه کنیم که بتواند قیمت روغن و این تغییرات را تا حد امکان پیش بینی کند. برای تهیه مدلی برای پیش بینی قیمت نفت خام ، در این مقاله پنج مرحله زیر را دنبال می کنیم. اول ، تئوری های اصلی مربوط به پیش بینی قیمت نفت و مزایا و معایب آن مورد بحث قرار گرفته است. دوم ، قانون استفاده از ظرفیت هدف (TCU) به عنوان چارچوبی برای پیش بینی قیمت نفت انتخاب می شود. ما اصلاحاتی را برای استفاده از قانون TCU ارائه می دهیم تا متناسب با آزمایشات خود باشد. سوم ، از داده های تاریخی از سال 1986 تا 2017 برای تهیه یک مدل رگرسیون چندگانه استفاده می شود. چهارم ، همراه با مدل رگرسیون چندگانه ، از روش شبیه سازی بازگشتی برای تولید قیمت نفت خام پیش بینی شده از سال 1991 تا 2017 استفاده می شود. و در آخر ، نتایج برای ارزیابی صحت مدل های پیش بینی توسعه یافته با مقادیر واقعی مقایسه می شوند.

بررسی ادبیات

بسیاری از اقتصاددانان به دنبال تحریم نفت و بهره برداری از قیمت نفت پس از درگیری عر ب-اسرائیل در سال 1973 ، ضرورت تدوین مدل هایی را که می توانند به طور دقیق پیش بینی قیمت نفت را پیش بینی کنند ، متوجه شدند. در این مقاله به طور گسترده یک مدل خاص ، قانون استفاده از ظرفیت هدف و همچنین مدل های دیگر را بررسی خواهد کرد. مقاله ما از قانون TCU با رگرسیون برای پیش بینی قیمت نفت خام با داده های 1987 تا 2017 استفاده می کند. علاوه بر این ، ما چندین مدل پیش بینی جدید دیگر را در این مقاله تهیه می کنیم.

قانون استفاده از ظرفیت هدف

ایده اصلی قانون استفاده از ظرفیت هدف (TCU) فرض می کند که سازمان کشورهای صادرکننده نفتی (OPEC) می تواند قیمت نفت را با توجه به میزان مصرف ظرفیت خود به دلیل وابستگی جهان به تأمین نفت از اوپک تنظیم کند. هنگامی که برای پیش بینی قیمت نفت استفاده می شود ، قانون TCU اغلب با شبیه سازی بازگشتی ، یکی از روشهای شبیه سازی سیستم ترکیب می شود.

اگرچه این امر اقتصادی است ، اما استفاده از آن فاقد نظریه اقتصادی سالم به عنوان پایه است. بسیاری از اقتصاددانان فقط می توانند کاربرد قانون TCU را با "قانون شست" توضیح دهند.

باومول و کوآند (1964) خاطرنشان كردند كه انسانها به ندرت همانطور كه نظریه های اقتصادی نشان می دهند رفتار می كنند. در مقابل ، رفتارهای آنها تا حد زیادی تحت تأثیر تجربیات است ، ایده ای که توسط استرمن نیز ذکر شده است (1987 ، 1989). الگوبرداری از رفتار انسان دشوار است. علاوه بر این ، اعوجاج ، سوء استفاده ، انتشار عقب مانده و تفسیر متفاوت از اطلاعات نیز فرضیات اساسی را در مدلهای اقتصادی سنتی نقض می کند. بنابراین ، در صورت درک تجربیات ، رفتارها را می توان پیش بینی کرد. اگر متغیرهای مشاهده شده قابل اندازه گیری باشند ، روش آسان است ، هزینه مقرون به صرفه است و نتیجه می تواند تکرار شود ، استفاده از قانون شست یک روش عملی برای پیش بینی رفتار است. بر خلاف یک مدل اقتصادی ، از یک قانون شست برای تعیین عملکرد استفاده می شود ، نه بهترین راه حل. این عملکرد همچنین به عنوان یک عملکرد رفتار تحت روش شبیه سازی سیستم نامیده می شود. علاوه بر این ، روش شبیه سازی سیستم فرضیاتی را که مدل های اقتصادی شامل آن هستند ، ندارد و مناسب تر برای بازار نفت خام امروز است (پاول 1990).

اگرچه عملکرد رفتار حاصل از قانون TCU از مدل به مدل دیگر متفاوت است ، اما بیشتر مدل ها از رگرسیون برای گرفتن رابطه بین تغییر قیمت نفت و میزان استفاده از ظرفیت استفاده می کنند (انجمن مدل سازی انرژی 1992). به عنوان مثال ، در مدل شبیه سازی بازار نفت ، 1992 (مدل OMS'92) توسط وزارت انرژی ، و مدل طرح ریزی نفت خام توسط موسسه تحقیقات استنفورد (1991) ، یک عملکرد کلی: δ P / P = α + β ·(1 / (1 - UT)) ، جایی که Δ P / P درصد تغییر قیمت است ، UT میزان استفاده از ظرفیت است و α و β از ضرایب رگرسیون هستند ، برای بیان رابطه استفاده می شود. این عملکرد همچنین عملکرد واکنش قیمت نامیده می شود.

نقص اصلی قانون TCU عدم وجود یک روش استنباط ریاضی دقیق (برای جزئیات بیشتر به پاول (1990) ، گیتیل (1983) و سورانوویچ (1993) مراجعه کنید). پاول (1990) نشان می دهد که متغیرهای توضیحی بیشتری در عملکرد واکنش قیمت برای بهبود قدرت پیش بینی گنجانده می شوند. وی در ادامه خاطرنشان كرد كه در صورت استفاده از پارامترهای دیگر ، نتیجه بسیار متفاوت خواهد بود. در حالی که در توافق با ترکیب عملکرد واکنش قیمت ، بیکن (1991) اظهار داشت که استفاده از ظرفیت تنها عاملی نیست که به اوپک مربوط می شود.

سورانوویچ (1993) نتیجه مدل شبیه سازی سیستم و از مدلهای اقتصادی را که از حداکثر سود به عنوان یک هدف استفاده می کنند ، بررسی می کند. وی دریافت که با استفاده از شبیه سازی سیستم برای تعیین قیمت نفت ، سود از یک مدل اقتصادی کوچکتر است. با این حال ، تفاوت پس از تخفیف سود قابل توجه نیست. علاوه بر این ، قیمت های پیش بینی شده حاصل از مدل اقتصادی بسیار متغیر هستند ، به اندازه آن از مدل شبیه سازی سیستم پایدار نیستند. بنابراین ، استفاده از مدل شبیه سازی بازگشتی TCU برای پیش بینی قیمت نفت مناسب تر از استفاده از یک مدل اقتصادی است.

نظریه منابع قابل اجرا

نظریه منابع خارج از کشور نقش مهمی در زمینه تحقیقات منابع طبیعی دارد. طبق گفته های Houthakker (1983) ، ایده نظریه منابع فرسوده برای اولین بار توسط Javon در سال 1865 ارائه شد. با این حال ، چارچوب کامل نظری تا زمانی که روش محاسبه تغییرات توسط Hotelling (1931) معرفی نشده بود ، توسعه نیافته است. پس از بحران نفت در سال 1973 ، سولو از اصول این تئوری مرتبط برای تحقیق در مورد بازارهای نفت استفاده کرد.

ایده کلی تئوری منابع تمام شدنی این است که با کاهش موجودی منابع و افزایش هزینه های استفاده کننده، اجاره هتلینگ، پانوشت 1، قیمت نفت افزایش می یابد. با این حال، پس از کاهش چشمگیر قیمت نفت در سال 1986، مدل های پیش بینی مبتنی بر تئوری منابع پایان پذیر با چالش های جدی مواجه شدند. دواراجان و فیشر (1981) نشان می دهند که وقتی تولید نهایی بر اساس هزینه و قیمت آتی باشد، هزینه و قیمت پیش بینی شده نباید برای پیش بینی استفاده از منابع موجودی استفاده شود.

پاول (1990) همچنین اشاره کرد که مدل های منابع پایان پذیر بر فرض اطلاعات کامل تأکید دارند، اما اطلاعات آینده نامشخص این فرض را برآورده نمی کند. علاوه بر این، یک مدل منابع پایان پذیر معمولی اغلب بر نتایج بلندمدت تمرکز می کند و نمی تواند نتایج کوتاه مدت تا میان مدت غیرواقعی را در مدل توضیح دهد.

ادلمن (1990) بیان می کند که از دیدگاه اقتصادی، هزینه بالا باعث کاهش سرمایه گذاری بر روی منابع و یا حتی ترک استفاده از آنها می شود. علاوه بر این، او از طریق دانش خود در مورد تولید نفت، دریافت که با افزایش دشواری استخراج نفت، افزایش هزینه نهایی، نه «اجاره هتل» است که باعث افزایش قیمت نفت می شود. مهمتر از همه، قیمت نفت به ندرت از پیش بینی های مدل منابع پایان پذیر پیروی می کند.

سایر مدل های پیش بینی

Alquist و همکاران(2011) به دنبال یک مدل پیش بینی قابل اعتماد برای قیمت های واقعی و اسمی نفت بود تا به نفع همه کشورهای واردکننده و صادرکننده نفت باشد. برای قیمت های اسمی، آنها طیف وسیعی از روش ها را آزمایش کردند و بر توانایی قیمت های ماهانه و روزانه آتی نفت برای پیش بینی قیمت اسمی تمرکز کردند. برای قیمت واقعی، آنها روش های جایگزینی را برای پیش بینی مانند پیاده روی تصادفی، مدل های AR و ARMA و پیش بینی بدون تغییر در نظر گرفتند و سعی کردند ثابت کنند که مدل های خودرگرسیون برداری (VAR) دقیق تر از پیش بینی پیاده روی تصادفی و سایر مدل های کوتاه مدت هستند. افق ها

نتایج مقاله دشواری در تطبیق نتایج مختلف ادبیات را نشان می دهد. آنها متوجه شدند که پارامترهای زیادی وجود دارد، مانند تعریف متغیر قیمت نفت، استفاده از قیمت های اسمی یا واقعی، دوره های زمانی ارزیابی، نحوه ارزیابی دقت پیش بینی و غیره. پیش بینی پذیری قیمت اسمی نفت با تئوری اقتصادی سازگار بود. آنها همچنین دریافتند که در یک افق کوتاه، یک مدل VAR که به طور خاص طراحی شده، دقیق تر از پیش بینی بدون تغییر است.

Alquist و همکاران.(2011) فهمید که یکی از دلایل اهمیت نفت ، قدرت پیش بینی شده درک شده آن برای تولید ناخالص داخلی واقعی ایالات متحده است. آنها نشان دادند كه فقط در استفاده از قیمت نفت در پیش بینی رشد تولید ناخالص داخلی تجمعی از مدل های VAR فقط دستاوردهای كوچكی وجود دارد و در فهمیدن اینكه آیا قیمت نفت به صورت اسمی مشخص شده است یا به صورت واقعی مفید است و آیا به عنوان اگزوژن یا آن رفتار می شوددرون زاAlquist و همکاران.(2011) همچنین اظهار داشت كه مدلهای خودجوش خطی در پیش بینی ركودهای بزرگ اقتصادی ناكام نیستند. آنها ادعا كردند كه توضیحات احتمالی در مورد این عدم پیش بینی این است كه رابطه پیش بینی كننده غیرخطی است ، بنابراین آنها مدلهای پیش بینی مشترک چند خطی را آزمایش كردند و دریافتند كه آنها دقت پیش بینی را برای رشد تولید ناخالص داخلی واقعی بهبود نمی بخشند. آنها همچنین دریافتند که باید نسبت به موفقیت پیش بینی مدل های غیرخطی در طول بحران مالی 2008-2009 شک و تردید داشته باشد ، زیرا نتایج حاکی از آن است که این بحران به کاهش اقتصادی کمک نمی کند ، که بسیار غیرممکن است. سرانجام ، آنها ثابت كردند كه استفاده از مدل های پیش بینی ساختاری برای قیمت واقعی نفت ، هیچ بینشی در مورد آنچه پیش بینی می كند ، ارائه نمی دهد و به سیاست گذار اجازه نمی دهد سناریوهای پیش بینی فرضی جایگزین را كه مدل های VAR ارائه می دهند ، کشف كند.

محققان دیگر مانند Kulkai و Haidar (2009) می خواستند قیمت لکه نفت خام را در کوتاه مدت ، سه روز جلوتر با استفاده از مدل بهینه ANN برای کاهش تأثیر منفی نوسانات قیمت پیدا کنند. آنها از تحقیقات قبلی موشیری و فوروتان (2005) برای رد استفاده از مدل های ARMA و GARCH استفاده کردند. گزینه دیگری که آنها در نظر گرفتند یک مدل ترکیبی بود که شامل آن ، آریما و استخراج وب است که توسط وانگ و همکاران (2005) پیشنهاد شده است. آنها فهمیدند که این مدل کار نمی کند زیرا به دانش دانش متخصصان انسانی بستگی دارد و باعث عدم اطمینان شدید در مدل می شود. علاوه بر این ، نه قوانین و نه دانش دانش علنی نشده اند. Kulkai و Haidar (2009) دریافتند که استفاده از 3 روز متوسط حرکت ساده به داده های اصلی ، سپس تبدیل آن به تغییر نسبی بهترین روش در بین سایر موارد آزمایش شده است.

پیش بینی قیمت نفت برنت

Manescu و Van Robays (2014) می خواستند قیمت نفت برنت را به جای قیمت نفت خام پیش بینی کنند ، زیرا آنها معتقد بودند که قیمت گذاری نفت برنت معیار فعلی است و بیشتر توسط بانک های مرکزی کنترل می شود تا قیمت های خام. در کنار آن ، آنها آرزو داشتند که حساسیت دقت پیش بینی را پیدا کنند. آنها این کار را با ارزیابی عملکرد پیش بینی نه روش مختلف انجام دادند و متغیر مهم زمان در هر عملکرد را ثبت کردند. سرانجام ، آنها ترکیبی از پیش بینی ایده آل برای قیمت گذاری روغن برنت را پیشنهاد کردند ، که یک ترکیب چهار مدل از آینده ، آینده های تنظیم شده با ریسک ، یک مدل VAR Bayesian و یک مدل DGSE از بازار نفت بود. آنها همچنین دریافتند که هیچ یک از روشهای پیش بینی فردی نمی توانند به طور مداوم قیمت نفت برنت را بهتر از آینده یا روشهای پیاده روی تصادفی با گذشت زمان یا افق های پیش بینی پیش بینی کنند. با استفاده از این اطلاعات ، نویسندگان توانستند ترکیبی از پیش بینی را تشکیل دهند که در افق ها دقیق تر و قوی تر باشد. ترکیب چهار مدل آنها بهتر عمل کرد که آینده ، پیاده روی تصادفی و سایر مدل های انفرادی تا 11 چهارم جلوتر و پیش بینی ای را تولید می کنند که عملکرد آن به مرور زمان بسیار قوی بود.

Beckers و Beidas-Strom (2015) در مقاله خود تصمیم گرفتند که به دلیل علاقه مستقیم به پیش بینی های صندوق بین المللی پول ، قیمت اسمی نفت را به جای قیمت واقعی پیش بینی کنند. پیش بینی کنندگان از آن زمان از آینده برای پیش بینی قیمت نفت استفاده کرده اند ، اما با استفاده از مدلهای VAR اخیر ، پزشکان روشهای متفاوتی برای پیش بینی با اصطلاحات کوتاه و متوسط دارند. در نتیجه ، مقاله آنها می خواست مدل VAR ایده آل را به منظور پیش بینی روغن پیدا کند. نتایج به دست آمده نشان داد که در کوتاه مدت (1-12 ماه) ، مدل های VAR به مراتب بهتر از مدل های آینده و مدل های پیاده روی تصادفی عمل می کنند ، اما در میان مدت (12-24 ماه) ، مدل آینده از همه بهتر استمدل های دیگردر کوتاه مدت ، مدل آینده به مراتب بدتر از سایر مدل ها عمل کرد زیرا تعصب بالای آن منجر به عدم پیش بینی شدید پیش بینی آن شد. در طول نمونه کامل ، مدل های VAR از بی ثباتی تغییرات کوچک در مشخصات ، نمونه ها و طول تاخیر رنج می بردند. عملکرد مدلهای مختلف به دوره زمانی بستگی داشت. پیاده روی تصادفی با قیمت های پایدار بهتر کار می کرد ، در حالی که VAR پس از فروپاشی بازار سهام در سال 2008 بهتر عمل کرد. به دلیل همه این اختلافات ، بکر و بییدا-استروم (2015) نتیجه گرفتند که پیش بینی قیمت ها بیش از یک نمونه طولانی انجام این کار بسیار دشوار استبشر

تحقیقات اخیر

اخیراً ، Dritsaki (2018) دریافت که پیکربندی خاصی از یک مدل ترکیبی Arima-Garch مناسب ترین برای پیش بینی بازده قیمت نفت در مدت زمان کوتاه است. او در مورد یک مدل ترکیبی تصمیم گرفته بود زیرا متوجه شده بود که مدل ها به صورت جداگانه نمی توانند غیرخطی و نوسانات داده ها را اداره کنند. از آنجا که مدل ARIMA یک مدل خطی قوی بود و مدل GARCH غیرخطی در رسیدگی به نوسانات و بازگرداندن ریسک قیمت نفت قدرتمند بود ، وی دریافت که ترکیب آنها یک مدل دقیق پیش بینی قیمت روغن کوتاه مدت ایجاد می کند.

فانک (2018) بسیاری از مدل های پیش بینی و ترکیبی از مدل ها را آزمایش کرد تا مشخص کند چه ترکیبی از مدل های فردی برای عملکرد پیش بینی سودمند است. او از معیار بدون تغییر (در مقاله خود RW نشان داده شده است)، مدل های AR و ARMA (AR و ARMA)، مدل آینده (آینده)، پیش بینی های مبتنی بر موجودی های نفت خام (Inventories OECD)، یک مدل VAR از نفت جهانی استفاده کرد. بازار (VAR CLI)، و پیش بینی بی درنگ مواد خام صنعتی غیرنفتی (شاخص CRB)، و شاهد حرکت های قیمت با سهام حساس به نفت (سهام نفتی) بود. در مجموع، او دریافت که به صورت جداگانه، مدل فیوچر بیشترین سود را در کاهش نسبت MSPE داشته و به طور قابل توجهی بهتر از معیار بدون تغییر است. با این حال، او دریافت که ترکیبی متشکل از چهار مدل، آتی، موجودی های OECD، VAR CLI و شاخص CRB نسبت MSPE کمتری نسبت به بهترین مدل های منفرد نشان می دهد و بنابراین به این نتیجه رسید که این ترکیب قابل اعتمادترین در پیش بینی قیمت نفت خام خواهد بود.

An et al.(2019) از رویکرد یادگیری ماشینی برای پیش بینی قیمت نفت استفاده کرد. نتایج آنها بیان کرد که قیمت نفت بیشترین تأثیر را از نرخ های فدرال رزرو و شاخص دلار آمریکا داشته است و عواملی مانند بی ثباتی در خاورمیانه از طریق مدل مبتنی بر یادگیری ماشینی آنها تأثیر چندانی بر قیمت نفت ندارد.. الفتاح (2019) از رویکرد ترکیبی هوش مصنوعی با الگوریتم ژنتیک (GA)، شبکه عصبی مصنوعی (ANN) و سری زمانی داده کاوی (DMTS) برای ساخت مدل GANNATS برای پیش بینی قیمت های نفت خام وست تگزاس اینترمدیت استفاده کرد. روغناو دریافت که مدل او با داده های تاریخی نوسانات قیمت آتی WTI مطابقت دارد و توانایی در پیش بینی جهت حرکت قیمت نفت خام را نشان می دهد.

بررسی قانون TCU

که توسط دانشگاه استنفورد در سال 1992 منتشر شد، انجمن بین المللی عرضه و تقاضای نفت مدل سازی انرژی (1992) یازده مدل پیش بینی قیمت نفت را مورد تحقیق قرار داد. در این میان، 9 نفر از قانون TUC همراه با روش شبیه سازی بازگشتی برای پیش بینی قیمت نفت استفاده می کنند. واضح است که قانون TCU به استانداردی در پیش بینی قیمت نفت تبدیل شده است.

معنای اقتصادی قانون TCU

مفهوم قانون TCU از مدل شرکت غالب فورشهایمر در نظریه انحصارطلبی ناشی شده است.

در این مدل ، اوپک شرکت اصلی است و نقش رهبر قیمت را ایفا می کند. سایر نهادهای غیر اوپک بازیکنان کوچکی هستند و با یکدیگر رقابت می کنند. آنها نمی توانند قیمت بازار را به خودی خود تصمیم بگیرند و از این رو ، قیمت تعیین شده توسط شرکت اصلی را دنبال می کنند. پس از کم شدن عرضه آنها از تقاضای کل ، می توان تقاضای باقیمانده را تخمین زد. شرکت اصلی سپس از تقاضای باقیمانده برای تعیین قیمت بازار بر اساس حداکثر سود استفاده می کند.

این مدل استاتیک با پاسخ بازار پویا مطابقت ندارد (Cartlon and Perloff 1990 و Scherer and Ross 1990). در واقعیت ، شرایط بازار هر دقیقه متفاوت است. تخمین درآمد و هزینه آن در مراحل اولیه برای اوپک دشوار است. به جای تعیین قیمتی که سود آنها را در مراحل اولیه به حداکثر برساند ، تعیین قیمت قابل قبول به صورت پویا راهی بهتر برای نشان دادن رفتار اوپک ، Tussing و هریس (1992) است. از آنجا که تغییر قیمت باعث تغییر تقاضای جهان فعلی و آینده و عرضه غیر OPEC می شود ، قانون TCU باید با یک مدل شبیه سازی بازگشتی برای پیش بینی قیمت نفت استفاده شود.

استفاده از قانون TCU

تقاضای جهان برای نفت خام به شدت به اوپک بستگی دارد که مزیت هزینه ای در تولید نفت دارد و بنابراین اوپک توانایی کنترل قیمت نفت جهان را آدلمن (1990 ، 1993) دارد. بر اساس این پدیده ، ایده پشت قانون TCU به شرح زیر است. اگر تقاضای جهان برای نفت خام افزایش یابد ، ظرفیت اوپک برای نزدیک شدن به حد آن ، اوپک تأثیر بیشتری بر قیمت نفت خواهد داشت و بنابراین آن را بالا می برد. در مقابل ، اگر تقاضای جهان کاهش یابد ، قیمت کاهش می یابد. به عبارت دیگر ، نرخ استفاده از ظرفیت اوپک را می توان به عنوان شاخص تغییر قیمت نفت جهانی مشاهده کرد. این ایده را می توان به معادله تبدیل کرد:

$ $ Delta Pp = alpha + beta سمت چپ (<1/left( <, 1<>>> ight)> درست) $ $

در جایی که Δ P / P درصد تغییر قیمت است ، UT نرخ استفاده از ظرفیت است و α و β ضرایب رگرسیون هستند. این معادله به اصطلاح عملکرد واکنش قیمت است. نرخ استفاده از ظرفیت (UT) را می توان با تقسیم تقاضا برای تولید اوپک با ظرفیت اوپک محاسبه کرد.

و تقاضا برای تولید اوپک (D OPEC) را می توان با کم کردن عرضه غیر OPEC (S غیر OPEC) از تقاضای جهان (D World) محاسبه کرد ، همانطور که از طریق این دو معادله نشان داده شده است.

$$D^>>> = D^>>> S^>>$$شکل 1 روند پیش بینی قیمت روغن را با استفاده از مدل شبیه سازی بازگشتی TCU نشان می دهد.

به طور کلی قیمت در دوره قبل به عنوان قیمت اولیه (PR) تعیین می شود. برای تقاضای جهانی و عرضه غیراوپک، روش های مختلفی برای محاسبه این موارد در مدل های مختلف وجود دارد. پس از مشخص شدن تقاضای جهانی و عرضه غیراوپک، نرخ بهره برداری از ظرفیت اوپک، درصد تغییر قیمت و در نتیجه قیمت فعلی نفت (PS) قابل محاسبه است. اگر PS برابر با PR نباشد، PR روی PS تنظیم می شود و کل فرآیند تا زمانی که PS برابر با PR شود تکرار می شود. این PS پیش بینی نهایی قیمت فعلی نفت است.

بررسی تابع واکنش قیمت

تابع واکنش قیمت نشان می دهد که وقتی نرخ بهره برداری از ظرفیت به یک نزدیک شود، قیمت نفت به بی نهایت نزدیک می شود. این پدیده با واقعیت همخوانی ندارد. در طول شبیه سازی، اگر قیمت آنقدر پایین باشد که تقاضا برای تولید اوپک بیش از ظرفیت باشد، قیمت نفت شروع به کاهش می کند. این یک پدیده غیر منطقی دیگر است. علاوه بر نتایج نامعقول، استفاده از نرخ بهره برداری از ظرفیت معایبی نیز دارد. اولاً، برآورد ظرفیت چندان آسان نیست زیرا شامل مسائل مختلف فناوری، زمین شناسی، قیمت بازار و هزینه می شود. علاوه بر این، حجم دقیق ظرفیت محرمانه است و از این رو محققان عمومی نمی توانند این اطلاعات را به راحتی جمع آوری کنند. و معمولاً تولیدکنندگان ظرفیت آن را با توجه به تقاضا و عرضه بازار تنظیم می کنند. با این حال، در مدل شبیه سازی بازگشتی TCU، ظرفیت به عنوان یک پارامتر در نظر گرفته می شود که به تقاضا و عرضه بازار مربوط نمی شود.

بازنگری تابع واکنش قیمت

به دلیل تمام دلایلی که قبلاً ذکر شد ، برخی از اصلاحات عملکرد واکنش قیمت انجام می شود. همانطور که در Eq نشان داده شده است. 3 ، نرخ استفاده از ظرفیت را می توان با تقسیم تقاضا برای تولید اوپک بر اساس ظرفیت محاسبه کرد. علاوه بر این ، اوپک ظرفیت خود را با توجه به تقاضای قبلی و فعلی بازار تنظیم می کند. بنابراین ، تقاضا برای تولید اوپک در دوره های فعلی و قبلی باید نقش مهمی در تعیین قیمت نفت داشته باشد. جایگزینی نرخ استفاده از ظرفیت با تقاضا در تولید اوپک مزایایی دارد. در مقایسه با برآورد ظرفیت ، برآورد تقاضا برای تولید اوپک نسبتاً ساده است. همانطور که در Eq نشان داده شده است. 2 ، تقاضا برای تولید اوپک را می توان با کم کردن تولید غیر OPEC از تقاضای جهان محاسبه کرد. همچنین با استفاده از تقاضا برای تولید اوپک در عملکرد واکنش قیمت می تواند مشکل مشاهده ظرفیت را به عنوان یک پارامتر حل کند. برای جایگزینی نرخ استفاده از ظرفیت ، عملکرد اصلی واکنش قیمت در معادله زیر تجدید نظر می شود.

$ $ Delta Pپ_= alpha + beta 1 ، (d_^>>>) + beta 2 (d_^>>> )$$

where (D_^>>>) is last period’s demand on OPEC’s production, (D_^>>>) تقاضای دوره فعلی برای تولید اوپک است و α ، β 1 و β 2 ضرایب رگرسیون هستند. با استفاده از پاورقی داده های تاریخی 2 از سال 1987 تا 2017 ، ضرایب رگرسیون را می توان محاسبه کرد. نتایج رگرسیون در جدول 1 نشان داده شده است.

نمونه ای برای پیش بینی قیمت نفت خام در سال 2017 در مایکروسافت اکسل پس از بحث در مورد نمودار نمودار در شکل 2 ارائه شده است.

در تمام جداول که پیش بینی ها با استفاده از روشهای فوق (روش 1 ، روش 2 ، روش 3 و یک روش ترکیبی) ارائه شده است ، نماد "DNE" به "وجود ندارد".

از آنجا که پیش بینی فقط از سال 1991 تا 2017 در تحلیل ما گزارش شده است ، ما پیش بینی های سال 1986 تا 1990 را به عنوان DNE گزارش می دهیم.

در زیر نمونه ای از استفاده از Microsoft Excel برای پیش بینی قیمت نفت خام در سال 2017 با ضرایب روش 1 است. تمام محاسبات برای پیش بینی با هر روش یکسان است ، و به سادگی این است که روند استخراج ضرایب معادله استبرای هر روش متفاوت است و منجر به ضرایب مختلف خواهد شد:

متغیرهای پیش بینی دوره قبلی را وارد کنید. از آنجایی که ما قیمت نفت خام را برای سال 2017 پیش بینی می کنیم ، دوره قبلی سال 2016 خواهد بود. در نتیجه ، ارزش پیش بینی کننده قیمت (43. 1451923959272) ، تقاضای جهانی (80،841. 606) ، تولید غیر OPEC (452226. 765) و و و و (45226. 765) و وتقاضا اوپک (35،614. 841).

قیمت اولیه را بر روی قیمت واقعی دوره قبلی ، در این مورد 2016 تنظیم کنید. در نتیجه ، PR = 43. 1451923959272.

با استفاده از Eq. 6 ، تقاضای جهان نفت خام را با استفاده از تقاضای واقعی جهان دوره قبلی 2016 محاسبه کنید. در نتیجه ، تقاضای پیش بینی شده جهان سال 2017 باید 80،624. 77925 = - 657،562. 013925192 + ( - 1. 657597017087 * 43. 1451923959272) + (65،358. 58. 5504135525525525525 5033831124 * 1/43. 1451923959272).

با استفاده از Eq. 7 ، عرضه غیر OPEC را با استفاده از عرضه غیر OPEC از دوره قبلی 2016 محاسبه کنید. در نتیجه ، عرضه پیش بینی نشده غیر اپک 2017 باید 45،441. 99115 = 70. 66790116 + (0. 99793886 * 45،226. 77) + (5. 51108737 * 43. 145192395927272) باشد.

با استفاده از نتایج از مراحل 3 و 4 و همچنین Eq. 2 ، تقاضای تولید اوپک را محاسبه کنید. در نتیجه ، تقاضا برای تولید اوپک در سال 2017 باید 35،182. 79 = 80،624. 77925—45،441. 99115 باشد.

با استفاده از تقاضا برای تولید اوپک از مرحله 5 ، تقاضا برای تولید اوپک از دوره قبلی ، روابط عمومی و Eq. 5 ، ما می توانیم PS یا قیمت نفت خام فعلی را محاسبه کنیم. در نتیجه ، PS باید 48. 32707271 = - 21. 6609319036754 + (0. 00353267816445286 * 35،182. 79) + ( - 0. 0025589570889436 * 35،655414. 841) + ( 3959272).

همانطور که می بینیم ، PR = 43. 1451923959272 و PS = 48. 32707271. از آنجا که PR با PS برابر نیست ، PR روی PS تنظیم می شود ، بنابراین PR = 48. 32707271 ، و مراحل به طور مکرر تا PR = PS انجام می شود. در پایان ، با ضرایب روش 1 ، PS نهایی سال 2017 76. 1074395660732 است. بنابراین ، قیمت نفت خام پیش بینی شده سال 2017 76. 1074395660732 است.

روش 1

ما از سال 1987 تا 2017 رگرسیون را در مورد تمام داده ها اجرا کردیم تا ضرایب هر یک از این معادلات را بدست آوریم. در نتیجه ، ضرایب موجود در جداول تنها مجموعه ضرایب مورد استفاده برای پیش بینی است.