بکارگیری نمای لیاپانوف برای مدل‌ سازی سری زمانی قیمت‌ نفت بر پایة توابع پویا

نویسندگان

1 استادیار گروه علوم پایه مهندسی دانشکده فنی دانشگاه تهران

2 استاد دانشکدة اقتصاد – دانشگاه تهران

3 کارشناس ارشد اقتصاد

چکیده

به‌کارگیری سیستم‌های غیرخطی پویا در تحلیل سری‌های زمانی اقتصادی، مدت‌هاست که مورد توجه اقتصاددانان قرار گرفته است. سیستم‌های غیرخطی پویا، رفتارهای مختلفی را از خود بروز می‌دهند، که می‌‌تواند در توجیه بسیاری از پدیده‌های اقتصادی که به نظر تصادفی می‌آیند، به‌کار گرفته شود. در این مقاله، راهکاری ارایه شده است، که براساس آن می‌توان تابع پویای خاصی را برای مدل‌سازی سری زمانی مفروضی به‌کار گرفت. ابتدا بزرگترین نمای لیاپانوف با ابعاد محاط برای سری زمانی محاسبه و با تطابق آن با نمای لیاپانوف تابع پویا، پارامتر کنترل کنندة تابع، تخمین زده می‌شود. در این مقاله، از تابع لجستیک برای مدل‌سازی قیمت روزانة نفت در بازة زمانی 2000-1998، استفاده شده است. تابع لجستیک حاصل، برای پیش‌بینی قیمت درروندهای مختلف به‌کار گرفته شده است. نتایج به‌دست آمده از دقت بالایی برخوردار است. به محض آن‌که بتوان تابع پویا را به سری زمانی مفروضی برازش کرد، رفتارهای غیرخطی این تابع، می‌تواند در تحلیل عملکرد سری زمانی، امکان زیادی را در اختیار تحلیل‌گر اقتصادی قرار دهد.
طبقه‌بندی JEL : C53 , C5.

کلیدواژه‌ها


عنوان مقاله [English]

-

چکیده [English]

Received: 2006/2/2 Accepted: 2006/9/19
In recent years, the theory of nonlinear systems in general and chaotic systems in particular has received a great deal of attentions in the economic research. Nonlinear systems show many behaviors which can be used to explain complex and deterministic features of economic systems. In this paper a new approach is proposed to fit a nonlinear dynamic function to a time series. First Lyapunov exponent of the time series is calculated. Then Lyapunov exponent is calculated from an assumed function. By comparing these two exponents, we are able to estimate the parameters of the function. Logistic map is used as the dynamic function and time series of price of oil is fitted by this function.
JEL Clarification: C65.

کلیدواژه‌ها [English]

  • Chaos
  • dynamic systems
  • Logistic map
  • Lyapunov exponent
  • Oil Price
  • time series