Forecasting oil prices using time series and LSTM model

Öz

In parallel with the increase in the capacity of data storage infrastructures, the variety of data obtained has also increased. By combining these data with time data, it is possible to perform time series analysis on big data. By combining these data with time data, it is possible to perform time-series analysis on big data. Crude oil, which has a very important place in the world economy and is considered "black gold"; is used in many fields such as industry, transportation, automobile, cosmetics, energy, chemistry and pharmaceutical industries. In the study, a total of 8267 data belonging to the years 1987 and 2020 of Brent Oil prices obtained from the open access website. Since the number of data in the data set used is high and depends on time, the statistical method ARIMA and the deep learning method LSTM models were used in the study. Using the existing data set, the ARIMA and LSTM models have been trained to estimate the 180-day possible prices of oil prices prospectively. It has been observed that the time series analysis of the results and the LSTM model have achieved a significant success in the forward price estimation of Brent Oil.

Anahtar Kelimeler

• Oil Prices
• Time Series Analysis
• LSTM Model

Petrol fiyatlarının zaman serileri ve LSTM modeli kullanılarak tahminlenmesi

Öz

Veri depoloma altyapılarının kapasitelerinin artması ile uzun yıllar boyunca elde edilen verilerin çeşitliliği de artış göstermiştir. Bu verilerin zaman verisi ile birleştirilmesi sayesinde büyük verileri üzerinde zaman serisi analizi yapılması sağlanmaktadır. Dünya ekonomisinde çok önemli yeri olan ve “siyah altın” olarak kabul edilen ham petrol; sanayi, ulaşım, otomobil, kozmetik, enerji, kimya, ilaç sektörleri gibi birçok alanda kullanılmaktadır. Çalışamada açık erişimli internet sitesinden alınan Brent Petrol fiyatlarına ait 1987 ile 2020 yıllarına ait toplam 8267 veri alınmıştır. Kullanılan veri setindendeki veri sayısının yüksek ve zamana bağlı olmasından dolayı istatistiksel yöntem olan ARIMA ile derin öğrenme yöntemi olan LSTM modelleri çalışmada kullanılmıştır. Mevcut veri seti kullanılarak ARIMA ve LSTM modelleri ile eğitilerek ileriye dönük olarak petrol fiyatlarının 180 günlük olası fiyatları tahmin edilmiştir. Elde edilen sonuçların zaman serisi analizleri ve LSTM modelinin Brent Petrolün ileriye dönük fiyat tahminlemesinde önemli bir başarı sağladığı görülmüştür.

Anahtar Kelimeler

• Petrol Fiyatları
• Zaman Serisi Analizi
• LSTM Modeli

Kaynakça

1. Sezer ÖB. Zaman serisi verilerinin derin yapay sinir agları ile analizi ve eniyilemesi: finansal tahmin algoritmaları. PHd Thesis, TOBB Ekonomi ve Teknoloji Üniversitesi, Ankara, Turkey, 2018.
2. Tsay RS. Analysis of Financial Time Series. Third Edition, A John Wıley & Sons, Inc., Publıcatıon, Chicago, 2010.
3. Sulistiyo, MD., Dayawati, RN. Evolution strategies for weight optimization of Artificial Neural Network in time series prediction. International Conference on Robotics, Biomimetics, Intelligent Computational Systems, 143-147. 2013.
4. Saab S, Badr E, Nasr G. Univariate modeling and forecasting of energy consumption: the case of electricity in Lebanon. Energy, 26(1), 1-14, 2001.
5. Kaytez F, Taplamacioglu MC, Cam E, Hardalac F. Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. International Journal of Electrical Power & Energy Systems, 67, 431-438, 2015.
6. Kankal M, Akpınar A, Kömürcü Mİ, Özşahin TŞ. Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables. Applied Energy, 88(5), 1927-1939, 2011.
7. Şimşek O, Gümüş V, Soydan NG, Yenigün K, Kavşut ME, Topçu E. Hatay İlinde Bazı Meteorolojik Verilerin Gidiş Analizi. Uluslararası Teknolojik Bilimler Dergisi, 5(2), 132-144, 2013.
8. Sen PK. Estimates of the Regression Coefficient Based on Kendall's Tau. Journal of the American Statistical Association, 63(324), 1379 – 1389, 1968.

9. Nie H, Liu G, Liu G, Wang. Hybrid of ARIMA and SVMs for Short-Term Load Forecasting. Energy Procedia , 16(C), 1455-1460, 2012.
10. Cao J, Li Z, Li J. Financial time series forecasting model based on CEEMDAN and LSTM. Physica A: Statistical Mechanics and its Applications, 519 (2019), 127-139, 2019.
11. Moews B, Herrmann JM, Ibikunle G. Lagged correlation-based deep learning for directional trend change prediction in financial time series. Expert Systems with Applications, 120, 197-206, 2019.
12. Siami-Namini S, Tavakoli N, Siami Namin A. A Comparison of ARIMA and LSTM in Forecasting Time Series. 17th IEEE International Conference on Machine Learning and Applications (ICMLA), Orlando, FL, 2018.
13. Seker SE. Zaman Serisi Analizi (Time Series Analysis). YBS Ansiklopedi, 2(4), 23-31, 2015.
14. Kaynar O, Taştan S. Zaman Serisi analizinde Mlp Yapay Sinir Ağları ve Arıma Modelinin Karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (33), 161-172,2009.
15. Uyanık, Ü. (2014). Zaman serilerinde yapısal kırılma ve vergi affı üzerine bir uygulama (Doctoral dissertation, DEÜ Sosyal Bilimleri Enstitüsü).
16. Tortum, A., Gözcü, O., & Çodur, M. Y. (2014). Türkiye’de Hava Ulaşım Talebinin Arıma Modelleri ile Tahmin Edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54.
17. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
18. Olah, C. (2015, August 27). Understanging LSTM Networks. colah.github.io: colah.github.io/ posts/2015-08-UnderstandingLSTMs/ Erişim tarihi 18.11.2020.
19. Temür, A. S. (2019). İşletmelerin satış bütçelerinin oluşturulmasında arima, lstm ve hibrit modellerin karşılaştırılması: üretim işletmesi örneği.