فرایندهای تصادفی تنظیم شده در بازار که حدوداً قیمت بلند مدت نفت خام را نشان می دهند چیستند ؟

چکیده

واژگان کلیدی

1. مقدمه

2. مدل های فرایند قیمت کالا

3. شواهد تجربی

شکل 1. میانگین هفتگی قیمت روز برآورد شده(WTI).

جدول 1. آزمونهای رریشه واحد برای مجموعه داده های 2004-1990 و 2013-1990.

شکل 2. نسبتهای واریانس برای دوره های مختلف تاخیر، بصورت هفتگی.

4. پارامتری سازی مدلهای فرایند تصادفی 

4.1  فرمول فضای حالت برای فیلتر کالمن

شکل 3. مجموعه داده های قیمتهای آتی نفت خام

4.2 برآورد پارامترها

جدول 2. برآوردهای پارامتر، خطاهای اندازه گیری، و نمرات لگاریتم احتمال. 

شکل 4. سیر تکاملی متغیرهای حالت.

4.3  اعتبار سنجی فرآیند برآورد با استفاده از داده های شبیه سازی شده

شکل 5. قیمتهای آتی یک ماهه شبیه سازی شده برای نفت خام

جدول 3. برآوردهای پارامتر و خطاهای اندازه گیری برای مجموعه های آتی شبیه سازی شده. 

5. سطح تعادل و پیش بینی قیمتها

جدول 4. برآوردهای پارامتر و خطاهای اندازه گیری برای مجموعه های آتی دراز مدت شبیه سازی شده. 

جدول 5. برآوردهای پارامتر و خطاهای اندازه گیری با سر رسیدهای آتی اضافی.

شکل 6. پیش بینی های مدل دو عاملی

شکل 7. پیش بینی مدل دو عاملی با فرایند کوتاه مدت غیرفعال.

شکل 8. پیش بینی مدل GBM  تک عاملی.

6. نتیجه گیری ها

ضمیمه الف. داده تکمیلی    

مدل های فرایند تصادفی قیمتهای کالاها ورودیهای مهم در ارزیابی سرمایه گذاری در انرژی و برنامه ریزی مشکلات هستند. در این مقاله، ما روی مدل سازی و پیش بینی سطح قیمت بلند مدت متمرکز می شویم، چون این مقوله عاملی نافذ در بسیاری از این برنامه های کاربردی است. ما برای ارائه مبنای روش مدل سازی خود ابتدا ویژگی های تجربی اطلاعات قیمت نفت خام از سال 1990 تا 2013 را با استفاده از آزمونهای ریشه واحد و نسبت واریانس ارزیابی می کنیم. شواهد آماری بدست آمده از این آزمونها تنها پشتیبانی ضعیفی از بکارگیری فرایندهای ثابت نوع بازگشت به میانگین تا سال 2004 بهمراه فرایندهای متحرک نوع حرکت براونی را نشان می دهند که هنگام افزودن اطلاعات از سال 2005 تا 2013 پذیرفتنی تر شدند. سپس ما از روش فیلترینگ کالمن با رویکرد حداکثر احتمال برای برآورد پارامترهای مدل جهت هر دو فرایند حرکت هندسی براونی (GMB) تک عاملی و همچنین فرایند دو عاملی شوارتز و اسمیت (2000) استفاده می کنیم. فرایند دوم قیمت روز را به ضرایب غیرقابل مشاهده برای سطح تعادل بلند مدت و انحراف کوتاه مدت تقسیم می کند، و جنبه های هر دو فرایند حرکت هندسی براونی و فرایند بازگشت به میانگین را با هم تطبیق می دهد. داده های تجربی و شبیه سازی شده هر دو با این مدلها تحلیل می شوند، و ما افزایشها در هر دو نرخ رانش و نوسان این فرآیندها را تعیین می کنیم که از اواسط دهه گذشته حاصل تحولات در بازارهای نفت خام هستند. ما با مقایسه و مقابله دقت و پیش بینیهای تاریخی بدست آمده از مدلهای پارامتری شده تایجه گیری می کنیم، و نشان می دهیم که وقتی روی پیش بینی های درازمدت تاکید می شود، پیش بینی حرکت هندسی براونی تک عاملی ممکن است کافی باشد.

با توجه به اینکه انتظار می رود نفت خام به طور کلی نقش مهمی در تأمین نیازهای انرژی جهانی برای آینده قابل پیش بینی ایفا می کند، پیش بینی قیمت این کالا برای برنامه ریزی سرمایه گذاریهای مستمر استخراج و تولید نفت مهم خواهد بود. علاوه بر این، پیش بینی قیمت نفت می تواند دیدگاههایی را برای تعیین تاثیر بالقوه هزینه های انرژی بر اقتصاد گسترده تر و توسعه سیاست های مناسب برای انتقال احتمالی به منابع انرژی جایگزین ارائه کند. این مسائل به احتمال زیاد بستگی به پیش بینی های بلند مدت برای قیمت نفت خام به جای نوسانات کوتاه مدت دارند؛ بنابراین، هدف اصلی این مقاله بررسی روش های مختلف برای توسعه پیش بینی های دراز مدت بر اساس تحولات اخیر در قیمت نفت خام است. چند روش مختلف برای توسعه پیش بینیهای بلند مدت جهت قیمتهای کالاها، از جمله بسیاری از انواع مدلهای اقتصادسنجی، مدل های تعادل، و پیش بینیهای نظرسنجی کارشناسی وجود دارند. در این مقاله، ما از رویکردی استفاده می کنیم که بر اساس اندازه گیری برخی مدل های فرایند تصادفی معمولاً مورد استفاده با داده های بدست آمده از بازارهای کالاها است. شوارتز (1997)، شوارتز و اسمیت (2000)، مانولیو و تامپیدیس (2002)، و دیگران توضیح می دهند چگونه پارامترها برای این نوع مدل های فرایند می توانند با فیلتر کالمن و برآورد حداکثر احتمال به دست آیند، و برای ثبت پویایی قیمت های آتی عملکرد این مدل ها را ارزیابی می کنند. ما این کار قبلی را ابتدا با گسترش حوزه مطالعه پارامتری سازی، از جمله به روز رسانی از طریق آخرین دهه داده ها که شامل پیشرفت های قابل توجهی در بازار نفت خام است ادامه می دهیم. ما همچنین در نقاط مختلف زمانی یک پیش آزمون از پیش بینی ها انجام می دهیم، و اعتبار فرایند پارامتری سازی را از طریق یک مطالعه شبیه سازی تعیین می کنیم. سپس ما از قابلیت فیلتر کالمن برای جدا کردن بخش طولانی مدت غیر قابل مشاهده روند قیمت نفت خام استفاده می کنیم، و این اطلاعات را برای توسعه پیش بینی های بلند مدت بکار می بریم. مهم است که این کار از سایر تحقیقات تجربی مربوطه متمایز شود، و لازم به ذکر است که آنچه ما باور داریم ویژگیهای مهم رویکردی هستند که ما استفاده می کنیم. ابتدا، مطالعات متعددی وجود دارند که عملکرد تاریخی قیمت های آتی را به عنوان پیش بینی کننده های مستقیم قیمتهای روز آتی ارزیابی می کنند (به عنوان مثال، الکوئیست و کیلیان، 2010). در عوض، ما از قیمتهای آتی برای پارامتری کردن مدل های مختلف قیمت تصادفی استفاده می کنیم، و سپس از آن مدلها برای تولید پیش بینیهای قیمتهای روز استفاده می کنیم، تا رابطه بین قیمت های آتی و قیمتهای روز در چارچوب ارزیابی ریسک خنثی ایجاد شود. در این روش، قیمت های آتی معادل قیمت روز آتی پیش بینی شده تحت فرآیند تصادفی ریسک خنثی هستند (دافی، 1992). همچنین مطالعات دیگری وجود دارند که از روش های اقتصاد سنجی برای مدل کردن ساختار بازار نفت یا ساخت مدل های تعادل جهت ثبت روابط بین قیمت نفت و عوامل بنیادی مانند تقاضا، عرضه، ذخیره سازی و سایر متغیرها استفاده می کنند (به عنوان مثال، الکوئیست و کیلیان، 2010؛ شویلون و ریفلارت، 2009؛ دیس و همکاران، 2007؛ کافمن و همکاران، 2008؛ کافمن و اولمن، 2009؛ پیندیک، 2001). علاوه بر آزمودن این روابط بنیادی، هنوز تحقیقات دیگر هدف اضافی شناسایی وقفه ها یا تغییرات در ساختار بازار در طول زمان را دارند (به عنوان مثال، فن و خو، 2011؛ کاپیتانوس و تزاوالیس، 2010؛ کریچن، 2002؛ میلر و راتی، 2009). روابط اساسی عرضه و تقاضا، و همچنین مشخصه های جدید بازار بسیار پیچیده جهانی نفت در رویکردی که ما نیز استفاده می کنیم وجود دارند، اما آنها توسط اجماع شرکت کنندگان در بازار مشخص می شوند چون آنها قیمت های آتی را از طریق انجام معاملات خود تعیین می کنند. تجمیع این عوامل به قیمتهای آینده موجب می شود اثرات فردی آنها غیر قابل مشاهده شود، و به نظر می رسد سودمندی مجموعه اطلاعات قیمت را محدود می کند. با این حال، استفاده از فیلتر کالمن به ما اجازه می دهد تا آن اثرات را از طریق برآورد بهینه پارامترهای فرایند تصادفی بهبود بخشیم، بدین گونه ما می توانیم قیمتها را به عنوان مثال، به مؤلفه های کوتاه مدت و بلند مدت تقسیم کنیم، که در آن هر دو مؤلفه تحت تاثیر عرضه، تقاضا و دیگر عوامل بازار قرار می گیرند. همچنین فیلتر کالمن به ما این امکان را می دهد تا با تغییرات در ساختار بازار نیز در طول زمان مقابله کنیم، چون آن یک روش بازگشتی برای برآورد متغیرهای حالت در یک زمان معین، بر اساس اطلاعات موجود در آن زمان است، در نتیجه وقتی اطلاعات جدید در دسترس قرار می گیرند امکان برآورد مستمر نیز فراهم می شود (شوارتز، 1997). با استفاده از این رویکرد، ما درصددیم به دو هدف اساسی پژوهشی بپردازیم. نخست، بر اساس داده های فعلی، ما مایلیم بررسی کنیم کدام یک از شکلهای فرایند تصادفی که بیش از همه استفاده می شود از همه مناسب تر است و محتمل ترین پارامترهای مدل چیستند. به طور خاص، ما می خواهیم تعیین کنیم آیا فرض معمولی قیمتهای ثابت نفت، در پرتو تحولات بازار در دهه گذشته هنوز معتبر است. بنا به دانش ما، این نخستین کار برای پارامتری کردن دوباره شکلهای فرآیندهای تصادفی است که ما با استفاده از داده های بدست آمده از این دوره بهمراه فیلتر کالمن در نظر می گیریم. با توجه به نتایج این هدف نخست، هدف ثانویه این مقاله طرح مفاهیم برای پیش بینی قیمتهای نفت در دراز مدت است. ما معتقدیم که این کار تنها کاربرد این مدلهای پارامتری برای این منظور است. در بخش بعدی، ما با شرح و مقایسه برخی فرمهای معروف مدل های فرایند قیمت کالا آغاز می کنیم. بخش 3 تجزیه و تحلیل تجربی داده های مربوط به قیمت تاریخی نفت خام را برای بررسی میزان تطابق بالقوه با چارچوبهای مدل سازی مورد بحث در بخش 2 ارائه می دهد. در بخش 4، ما به هدف نخست پژوهشی خود می پردازیم و با جزئیات کامل مشخصات پارامتر فرایند تصادفی را بررسی می کنیم و با استفاده از داده های آتی واقعی و داده های مصنوعی بدست آمده از طریق شبیه سازی برآوردهای پارامتر را برای آنچه به نظر می رسد مناسبترین فرایندها برای مدل سازی قیمت بلند مدت نفت خام هستند بدست می آوریم. در بخش 5، ما با ارائه پیش بینی های خود با استفاده از برآوردهای پارامتر به دست آمده در بخش 4 و مقایسه و مقابله نتایج به هدف دوم پژوهش خود می پردازیم. ما در بخش 6 با خلاصه ای از یافته ها و مفاهیم نتیجه گیری می کنیم.