Chaos theory and predict future prices in the oil products

Document Type : Research Article

Authors

1 Master of Industrial Engineering, Urmia University of Technology

2 Assistant Professor of Industrial Engineering, Urmia University of Technology

3 Professor, Department of Physics, Urmia University of Technology

Abstract

Today, special attention has been paid to the capabilities of chaos theories and neural networks and the application of these two models in financial markets, especially petroleum products. In this study, daily values ​​of stocks of Iranian petroleum products during December 2007 to June 2016 have been studied. Due to the nonlinear nature of financial data, chaos theory is used to study the chaotic amount of time series. The chaos theory based on Liapanov's exponent and fractal dimension studies the time series caused by nonlinear dynamic systems. In chaos theory, first, using the Lyapanov diagrams and the Poincaré surface of section map and measuring the correlation dimension, the possibility of chaos in time series of daily value of oil products in Iran is investigated. Then, the Lyapunov diagram is plotted using the delay time estimation obtained from the method of the average of mutual information and embedding dimension using the algorithm of the false nearest neighbors. The Lyapunov map and the Poincaré surface of section indicate a chaos in the investigated time series. According to the provocation of chaos in this time series, its nonlinearity was deduced. Therefore, a suitable neural network was designed and the best model was selected to predict the future prices of petroleum products stock with a correlation coefficient of 0.99831 and the error of the training data is 0.0012 and the error of the test data is 0.002 that indicating good accuracy in modeling the price of these industries and can be used to predict its future price.

Keywords

References

احمدی، فرشاد؛ دین‌پژوه، یعقوب؛ فاخری‌فرد، احمد و خلیلی، کیوان. (1392). «مقایسه مدل‌های خطی و غیرخطی سری زمانی در پیش‌بینی جریان رودخانه (مطالعه موردی: رودخانه باراندوز چای ارومیه)»، علوم و مهندسی آبیاری، 37(1)، 105-93.
انیس‌حسینی، مسعود و ذاکر مشفق، محمد. (1395). «رویکرد نظریه آشوب در تحلیل سری زمانی دبی رودخانه (مطالعه موردی: رودخانه کشکان)»، مجله پژوهش آب ایران، 2(10)، 106-97.
حیدری فتح‌آباد، علی و تکلیف، عاطفه. (1397). «بررسی رابطه امنیت تقاضای صادرات نفت خام و سرمایه‌گذاری بخش بالادستی صنعت نفت در کشورهای عضو اوپک»، پژوهشنامه اقتصاد انرژی ایران، 28(7)، 81-51.
دباغ، رحیم؛ کوهی لیلان، بابک؛ جواهریان، لیلا و لطیفی، مهشید. (1394). «بررسی کارایی فنی و بهره‌وری صنایع استان آذربایجان غربی با استفاده از روش‌های پارامتریک و ناپارامتریک»، مجلس و راهبرد، 22(83)، 305-333.
شاکری، سیده زهرا؛ همایونی‌فر، مسعود؛ فلاحی، محمدعلی و شعرباف تبریزی، سعید. (1394). «بررسی نظریه آشوب در قیمت سکه بهار آزادی در ایران»، دوفصلنامه اقتصاد پولی و مالی، 10(22)، 103-85.
شمسی، ابوالفضل و مدیری، ناصر. (1396). ارائه رویکردی جدید جهت کاهش زمان تاخیر در شبکه‌های مبتنی بر نرم‌افزار با استفاده از مسیریابی، سومین کنفرانس ملی محاسبات توزیعی و پردازش داده‌های بزرگ، تبریز، دانشگاه شهید مدنی آذربایجان.
فخرائی، جواد؛ محمدخانلو، حشمت‌اله و غیور، مصطفی. (1394). «تحلیل تأثیر حضور سرنشین بر ارتشاعات آشوبناک مدل غیرخطی خودروی کامل»، مجله مهندسی مکانیک مدرس، 1(15)، 184-173.
فرازمند، حسن و کرد زنگنه، ناهید. (1397). «پیش‌بینی قیمت نفت خام و تعیین سطح تولید بهینه با استفاده از الگوی تکاملی شبکه‌های عصبی و تعادل نش»، فصلنامه مطالعات اقتصاد انرژی، 56(14)، 202-.179
فرزین، سعید؛ حسینی، خسرو؛ کرمی، حجت و موسوی، سید فرهاد. (1396). «تحلیل سری زمانی فرایندهای هیدرولوژیک از دیدگاه نظریه آشوب) مطالعه موردی: بارش ماهانه دریاچه ارومیه»، مجله علمی-پژوهشی مهندسی عمران مدرس، 17(2)، 225-234.
فرنوش، رحمان و بهبودی، مریم. (1397). تحلیل سری‌های زمانی مالی، انتشارات علم و صنعت ایران.
فطرس، محمدحسن و هوشیدری، مریم. (1396). «بررسی میزان اثرپذیری نوسانات شاخص قیمت بورس اوراق بهادار تهران و دوبی از نوسانات قیمت جهانی نفت خام»،  فصلنامه علمی- پژوهشی مطالعات اقتصادیِ کاربردی ایران، سال ششم، شماره 22، 171-191.
فیروزی جهان تیغ، فرزاد و دهقانی‌پور تلگردویی، صفورا. (1397). «وقفه‌های زمانی بهینه در پیش‌بینی قیمت نفت توسط شبکه عصبی پویا اصلاح شده با الگوریتم ژنتیک»، فصلنامه مطالعات انرژی، 56(14)، 143-115.
مشیری، سعید و فروتن، فائزه. (1383). «آزمون آشوب و پیش‌بینی قیمت‌های آتی نفت خام»، فصلنامه پژوهشهای اقتصادی ایران، 6(21)، 90-67.
 مهدی؛ عسلی. (1386). «نامتقارن بودن عکس العمل تقاضا برای نفت نسبت به تغییرات درآمد و قیمت نفت: مقایسه چین و کشورهای توسعه توسعه یافته طی سال­های 1970-2008»،  مطالعات اقتصاد انرژی، 14، 38-5.
Abarbanel, H. (2012). Analysis of observed chaotic data. Springer Science & Business Media.
Barkoulas, J. T., Chakraborty, A., Ouandlous, A. (2012). “A metric and topological analysis of determinism in the crude oil spot market”, Energy Economucs, 34(2), 584-591.
Bhavsar, R., Davey, N., Helian, N., Sun, Y., Steffert, T., Mayor, D. (2018). “Time Series Analysis using Embedding Dimension on Heart Rate Variability”, Procedia computer science, 145, 89-96.
Cortez, C. T., Saydam, S., Coulton, J., Sammut, C. (2018). “Alternative techniques for forecasting mineral commodity prices”. International Journal of Mining Science and Technology, 28(2), 309-322.
Dabbagh, R., Yousefi, S. (2019).A hybrid decision-making approach based on FCM and MOORA for occupational health and safety risk analysis. Journal of safety research, 71, 111-123.
Debnath, B., Mourshed, M. (2018). Forecasting methods in energy planning models. Renewable and Sustainable Energy Reviews, 88, 297-325.
Heidari, H., Babaei, S. (2014). “Investigating the Impact of Oil Crude Price Uncertainty on the Growth of the Industrial and Mine Industry in Iran Applied to Markov Conversion Models”, Energy Economics Review, 11(41), 43-70.
Lahmiri, S. (2017). “A study on chaos in crude oil markets before and after 2008 international financial crisis”, Physica A: Statistical Mechanics and its Applications, 1(466), 389-395.
Marzban, D., Javaheri, B., Akbariyan, B. (2005). “A comparison between structural econometric models, time series and the neural network for predicting exchange rates, Journal of Economic Research (Tahghighat-e-Eghtesadi), 2(40), 181-216.
Minasny, B., Montazerolghaem, M., Padarian, J., Ferguson, R., Bailey, S., McBratney, A. B. (2019). “Convolutional neural network for simultaneous prediction of several soil properties using visible/near-infrared, mid-infrared, and their combined spectra”. Geoderma, 352, 251-267.
Oskooei, A. (2015). “Application of window slider method to select the time delayed neural network structure in the prediction of financial time series”, Economic Research, 15(57), 75-108.
Shamany, R., Ramadan, T. (2019). “Comparison Performance Prediction between some Artificial Neural Networks (Box Jenkins) methodology with application”. IRAQI JOURNAL OF STATISTICAL SCIENCES, 16(28), 51-76.
Silvestre, H. C., Gomes, R. C., Lamba, J. R., Correia, A. M. (2018). “Implementation of Brazil's energy policy through the national oil company: From institutional chaos to strategic order”. Energy policy, 119, 87-96.
Strogatz, S. H. (2014). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering, Westview press
Urboniene, A., Endrawes, M., Matawie, K. (2013). “The relationship between students' thinking styles and professional skepticism”. International Journal on Global Business Management & Research, 1(2), 5-13
West, B., Bologna, M., Grigolini, P. (2012). Physics of fractal operators. Springer Science & Business Media.
Yuan, Z. (2018). Neural sequence modelling for learner error prediction. In Proceedings of the Thirteenth Workshop on Innovative Use of NLP for Building Educational Applications (pp. 381-388).
Journal of Applied Economics Studies in Iran
Volume 9, Issue 34
July 2020
Pages 109-135

Files

Share

How to cite

Statistics