پیشبینی قیمت سنگ آهن با استفاده از روشهای استوار و مدلهای مبتنی بر هوش مصنوعی

آهن یکی از کاربردیترین فلزات در جهان است. قیمت جهانی سنگ آهن بر اساس عرضه و تقاضا تعیین می شود. متغیرهای متعددی از جمله قیمت فولاد، تولید فولاد، قیمت نفت، قیمت طلا، نرخ بهره، نرخ تورم، تولید آهن و قیمت آلومینیوم وجود دارد که بر قیمت جهانی سنگ آهن تاثیر می گذارد. با توجه به تعدد متغیرهای موثر و پیچیدگی روابط بین آنها، می توان از رویکردهای مبتنی بر هوش مصنوعی برای پیش بینی قیمت سنگ آهن استفاده کرد. در این مقاله ابتدا عملکرد مدلهای رگرسیون بردار پشتیبان (SVR)، شبکه عصبی مصنوعی (ANN)، درخت تصمیم (CART) و رگر سیون خطی چند متغیره (MLR) در پیشبینی قیمت ماهانه سنگ آهنمورد ارزیابی قرار گرفته است. سپس با استفاده از مجموعه داده های آزمایشی، مدلهای توسعه یافته اعتبار سنجی و ظرفیتهای عملکردی آنها مقایسه شده ا ست. نتایج نشان داد که عملکرد مدل SVM بر اساس چهار شاخص عملکرد ریشه میانگین مربعات خطا، ارزش واریانس (VAF)، میانگین خطای مطلق و ضریب تعیین (R۲) بهتر از سایر مدلهای پیشبینی کننده است. ضریب تعیین به دست آمده (به ترتیب ۰,۹۱، ۰,۸۱، ۰,۷۷ و ۰,۵۹ برای مدل های SVR، ANN، MLR و(CART نشان داد که روش رگرسیون بردارپشتیبان قادر به پیش بینی قیمت سنگ آهن با توانایی بالاتری ا ست. همچنین با تحلیل حساسیت مشخص شد متغیرهای قیمت طلا و قیمت نفت به ترتیب بیشترین تاثیر را در نوسانات قیمت جهانی سنگ آهن داشته اند.

Keywords:

پیشبینی قیمت سنگ آهن , رگرسیون بردار پشتیبان , شبکه عصبی مصنوعی , درخت تصمیم , رگرسین خطی چند متغیره.