fa تحلیل و پیش‌بینی اثرات غیرخطی در بازار نفت كاربردي Applicable این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب جهت مدل‌سازی و پیش‌بینی نوسانات قیمت نفت خام ایران می‌باشد. لذا، سعی شده است تا تحلیل جامعی از پیش‌بینی قیمت این نهاده ارایه گردد، به همین منظور، ضمن بررسی ماهیت مقوله پیش-بینی‌پذیری به کمک آزمون‌های نسبت واریانس، BDS و نیز آزمون آشوب‌گونه بودن این سری، به تحلیل ساختار خطی و یا غیرخطی بودن آن پرداخته شده و پس از تأیید آشوب‌گونه بودن سری بازدهی قیمت نفت بر اساس آزمون توان لیاپانوف و نیز وجود ویژگی حافظه بلندمدت، مهر تأییدی بر رد فرضیه بازارهای کارا و قبول فرضیه بازارهای فرکتال بوده است. سپس با علم به ویژگی-های ذاتی سری بازدهی قیمت نفت، به کمک ترکیب مدل‌های مبتنی بر حافظه بلندمدت و تجزیه موجک، به انتخاب بهترین مدل ممکن پرداخته شد. نتایج این مطالعه بر مبنای آزمون GPH، مبین وجود ویژگی حافظه بلندمدت در سری بازدهی و نوسانات قیمت نفت بوده و همچنین به‌کارگیری تکنیک تجزیه موجک را برای داده‌های پر‌تلاطم، مؤ‌ثر دانسته است، چرا که بر اساس معیارهای سنجش خطای پیش‌بینی MSE و RMSE مدل ترکیبی مبتنی بر حافظه بلندمدت و تجزیه موجک در مقایسه با مدل حافظه بلندمدت با داده‌های تجزیه نشده، از عملکرد دقیق‌تری برخوردار بوده است. This research aims to introduce an ideal model for forecasting Iranian crude oil price movements. It tries to make an all-out analysis of this energy product. Therefore, we tested the ‘predictability’ hypothesis by using the variance ratio test, BDS test and the chaos series test. Later, a structural analysis is a carried out to investigate possible nonlinear patterns in the series. Lyapunov exponents confirmed that the return series of crude oil prices were chaotic. Moreover, According to our findings, the return series has the long memory property which, rejecting efficient markets hypothesis, affirms the fractal market hypothesis. The GPH test verifies that both return and volatility series of crude oil price have the long-memory property. Besides, according to both MSE and RMSE criteria, wavelet-decomposed data significantly improves the performance of model. As a result, we introduce a hybrid model based on the long-memory property which uses wavelet decomposed data as the most accurate model. قیمت نفت خام, تئوری آشوب, حافظه بلندمدت, تجزیه موجک, پیش‌بینی Oil Prices Volatility, Chaos Theory, Long Memory, Wavelet Decomposition 21 48 http://eprj.ir/browse.php?a_code=A-10-388-2&slc_lang=fa&sid=1 Esmaeil Naderi اسماعیل نادری Naderi.ec@ut.ac.ir 10031947532846002582 10031947532846002582 Yes Nadiya Gandali-Alikhani نادیا گندلی‌علیخانی N.alikhani@khouzestan.srbiau.ac.ir. 10031947532846002583 10031947532846002583 No Hossein Abbasinejad حسین عباسی‌نژاد 10031947532846002584 10031947532846002584 No