طراحی مناسب‌ترین مدل هیبریدی پیش‌بینی قیمت آتی زعفران نگین در بورس کالای کشاورزی

بورس کالای زعفران مانند هر بازار دیگری، همیشه با محدودیت‌ها و مسائل ساختاری روبرو بوده است و بخش عمده‌ای از این مشکلات مربوط به نوسانات قیمتی آن است. پیش‌بینی قیمت با استفاده از الگوهای مناسب می‌تواند کمک زیادی به کاهش ریسک قیمتی بازار آتی زعفران کند. سوال اساسی این است که در مواجهه با روش‌های متعدد پیش‌بینی قیمت، برای پیش‌بینی قیمت آتی زعفران کدام روش‌ها را باید انتخاب کرد؟ هدف از مطالعه حاضر، طراحی مناسب‌ترین مدل هیبریدی برای پیش‌بینی قیمت آتی زعفران نگین در بورس کالای کشاورزی است که از مجموعه مدل‌های غیرخطی الگوریتم ژنتیک، شبکه عصبی عمیق، جنگلی تصادفی، ماشین بردار پشتیان و روش مونت‌کارلو تشکیل شده است. در این مدل هیبریدی از الگوریتم ژنتیک برای تعیین وقفه بهینه سری زمانی قیمت، از شبکه عصبی عمیق، مدل جنگلی تصادفی و ماشین بردار پشتیبان برای پیش‌بینی سری زمانی قیمت و از روش مونت‌کارلو برای شبیه‌سازی محتمل‌ترین احتمال قیمت استفاده شده است. نتایج حاصل از این مطالعه نشان داد که دقت پیش‌‌بینی مدل هیبریدی «الگوریتم ژنتیک-شبکه عصبی عمیق-مونت‌کارلو» بیشتر از دو مدل «الگوریتم ژنتیک-جنگلی تصادفی-مونت‌کارلو» و «الگوریتم ژنتیک-ماشین بردار پشتیبان-مونت‌کارلو» است. بنابراین، استفاده از شبکه عصبی عمیق و محاسبه محتمل‌ترین احتمال قیمت با استفاده از روش مونت کارلو دقیق‌ترین پیش‌بینی قیمت زعفران با درجه اطمینان بالا و حداقل ریسک ارائه می‌دهد. بنابراین پیشنهاد می‌شود که مدیریت بورس کالاهای کشاورزی، فعالین بازار بورس، محققین و علاقه‌مندان فن پیش‌بینی از مزایای این مدل پیشنهادی در پیش‌بینی قیمت محصولات کشاورزی استفاده کنند.

Saffron, as the most expensive agricultural and medicinal product in the world, has a special place in buying and selling related to the Iranian agricultural commodity bourse. The saffron commodity bourse, like any other market, has always faced limitations and structural problems, and most of these problems are related to its price fluctuations. Price forecasting using appropriate models can be a great help in reducing the price risk of futures market of saffron. The main question is that in in confronting with various price forecasting methods, which methods should be chosen to forecast the future price of saffron? The purpose of this study is to design the most appropriate hybrid model for forecasting the future price of Negin saffron in the agricultural commodity bourse, which consists of a set of nonlinear models of genetic algorithm, deep neural network, random forest, support vector machine and Monte Carlo method. In this hybrid model, genetic algorithm is used to determine the optimal lag of price time series, deep neural network, random forest model and support vector machine are used to forecast the price time series, and Monte Carlo method is used to simulate the most probable price probability. The results of this study showed that the forecasting accuracy of the hybrid model of “Genetic Algorithm-Deep Neural Network-Monte Carlo” is higher than the two models of “Genetic Algorithm-Random Forest-Monte Carlo” and “Genetic Algorithm-Support Vector Machine -Monte Carlo”. Therefore, using a deep neural network and calculating the most probable price probability by the Monte Carlo method, provide the most accurate saffron price prediction with a high degree of reliability and minimal risk. Thus, it is suggested that that the management of the commodity bourse, stock market participants and researchers can use the advantages of this proposed model in forecasting the price of agricultural products.