Hybridisiertes LSTM-GRU-Modell zur Vorhersage der Preise für Rohöl

Schwankungen des Rohölpreises betreffen nicht nur die Produktion oder den Transport, sondern haben auch sekundäre Auswirkungen auf alle Lebensweisen, da steigende Produktionskosten sicher zu einem Anstieg der Preise für Produkte und zu höheren Transportkosten führen würden, was wiederum die Lebenshaltungskosten erhöht, Armut und Hunger steigert. Daher würde eine genaue Vorhersage des Rohölpreises durch die Anwendung eines effektiven und technologisch getriebenen Ansatzes den Entscheidungsträgern, Industrievertretern und Investoren helfen, informierte und strategische Politiken zu formulieren, die der Regierung und den Stakeholdern helfen, unvorhergesehene wirtschaftliche Risiken und Schäden zu verhindern. Üblicherweise wird die Vorhersage des Rohölpreises mit traditionellen Methoden wie linearer Regression, generalisierter autoregressiver bedingter Heteroskedastizität (GARCH) und autoregressiven integrierten gleitenden Durchschnitten (ARIMA) durchgeführt; diese Modelle haben oft Schwierigkeiten mit der Nichtlinearität und der schwankenden Natur des Rohölpreises. Darüber hinaus erfordern diese Modelle eine zusätzliche manuelle Merkmalsauswahl und -extraktion, die zeitaufwändig und rechenintensiv sein kann. Die Akzeptanz und die nachgewiesene Genauigkeit von Deep-Learning-Techniken haben diese Studie dazu veranlasst, die Hauptvarianten der rekurrenten neuronalen Netze (RNN), nämlich Long-short term memory (LSTM) und Gated Recurrent Units (GRU), zur Vorhersage des Rohölpreises aufgrund ihrer Stärken vergleichend einzusetzen. Der berühmte Brent-Rohölpreisdatenensatz wurde zur Vorhersage des Rohölpreises verwendet, während dieser Datensatz eine Reihe von Vorverarbeitungen wie Daten- und Zeitkonversion, Datenfensterung, Transformation und Variablenauswahl durchlief, nach der das LSTM-GRU-Modell zur Vorhersage verwendet wurde. Dieses hybride Modell erzielte eine bessere Leistung mit einem mittleren absoluten Fehler von 0,014, der LSTM und GRU übertraf und im Vergleich zu bestehenden Studien überlegen war. Dies zeigt, dass das hybridisierte LSTM-GRU-Modell eine gute Wahl zur Vorhersage des Rohölpreises ist, da das Modell die Stärken von LSTM und GRU bei sequenziellen Daten nutzt.