مدیریت مالی هوشمند

مدیریت مالی هوشمند

پیش بینی قیمت موثر صادرات نفت خام ایران با استفاده از مدل های یادگیری عمیق LSTM و :GRU یک مطالعه موردی از اثر نوسانات نرخ ارز و تحریم ها

نوع مقاله : مقاله پژوهشی

نویسندگان
مریم نجاری 1
محمد ابراهیم محمد پورزرندی 2
مهرزاد مینویی 2
1 دانشجوی دکتری، گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه مدیریت اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
10.25843/JIFM.2025.8563.231101
چکیده
پیش‌بینی قیمت مؤثر صادرات نفت خام ایران به دلیل وابستگی اقتصاد کشور به درآمدهای نفتی و تأثیرپذیری بازار نفت از عوامل اقتصادی، مالی و ژئوپلیتیکی از اهمیت قابل توجهی برخوردار است. هدف پژوهش حاضر، پیش‌بینی قیمت مؤثر صادرات نفت خام ایران با استفاده از مدل‌های یادگیری عمیق LSTM و GRU و بررسی ارزش اطلاعاتی نوسانات نرخ ارز و تحریم‌هاست. پژوهش از نظر هدف کاربردی و از نظر رویکرد کمی و پیش‌بینی است و بر مبنای داده‌های ماهانه و ثانویه انجام شده است. برای ارزیابی ارزش اطلاعاتی متغیرهای برون‌زا، سه سناریوی شامل قیمت تاریخی، قیمت تاریخی به همراه نوسانات نرخ ارز و قیمت تاریخی همراه با نرخ ارز و شاخص تحریم‌ها طراحی شد. عملکرد مدل‌ها با معیارهای RMSE، MAE، MAPE و R² ارزیابی شد. نتایج شبیه‌سازی‌شده نشان داد که افزودن متغیرهای برون‌زا موجب بهبود عملکرد هر دو مدل می‌شود. در سناریوی کامل، RMSE مدل LSTM از 84/2 در سناریوی پایه به 08/2 و RMSE مدل GRU از 67/2 به 91/1 کاهش یافت. همچنین MAPE مدل‌های LSTM و GRU در سناریوی کامل به‌ترتیب به 37/5 و 96/4 درصد رسید و R² آنها به 947/0 و 956/0 افزایش یافت. در مقایسه با XGBoost، مدل‌های LSTM و GRU در شرایط اطلاعاتی کامل خطای کمتری نشان دادند. یافته‌ها نشان می‌دهد که استفاده هم‌زمان از اطلاعات تاریخی قیمت، نوسانات نرخ ارز و شاخص تحریم‌ها می‌تواند چارچوب مناسب‌تری برای پیش‌بینی قیمت مؤثر صادرات نفت خام ایران فراهم کند و معماری GRU در داده‌های شبیه‌سازی‌شده عملکرد بهتری نسبت به LSTM داشته است.
کلیدواژه‌ها
قیمت مؤثر صادرات نفت خام
یادگیری عمیق
LSTM
GRU
تحریم‌ها و نرخ ارز
موضوعات

عنوان مقاله English

Forecasting the Effective Export Price of Iranian Crude Oil Using LSTM and GRU Deep Learning Models: A Case Study on the Impact of Exchange Rate Volatility and Sanctions

نویسندگان English

Maryam Najjari 1
Mohammad Ebrahim Mohammad Pourzarandi 2
Mehrzad Minooei 2
1 PhD Student, Department of Finance, CT.C., Islamic Azad University, Tehran, Iran
2 Department of Economic Management, CT.C, Islamic Azad University, Tehran, Iran
چکیده English

Forecasting the effective export price of Iranian crude oil is of significant importance due to the country's economic reliance on oil revenues and the oil market's sensitivity to economic, financial, and geopolitical factors. This study aims to forecast the effective export price of Iranian crude oil using LSTM and GRU deep learning models and to examine the informational value of exchange rate volatility and sanctions. The research is applied in nature, employs a quantitative and predictive approach, and relies on secondary monthly data. To evaluate the informational value of exogenous variables, three scenarios were designed: historical prices alone; historical prices combined with exchange rate volatility; and historical prices combined with exchange rates and a sanctions index. Model performance was assessed using RMSE, MAE, MAPE, and R² metrics. Simulation results indicated that incorporating exogenous variables improved the performance of both models. In the full scenario, the RMSE for the LSTM model dropped from 2.84 (baseline scenario) to 2.08, while the RMSE for the GRU model fell from 2.67 to 1.91. Additionally, the MAPE for the LSTM and GRU models reached 5.37% and 4.96%, respectively, in the full scenario, and their R² values rose to 0.947 and 0.956. When compared to XGBoost, the LSTM and GRU models demonstrated lower error rates under conditions of complete information. The findings indicate that the simultaneous use of historical price data, exchange rate fluctuations, and a sanctions index can provide a more suitable framework for forecasting the effective export price of Iranian crude oil; furthermore, the GRU architecture demonstrated superior performance compared to LSTM on the simulated data.

کلیدواژه‌ها English

Effective crude oil export price
Deep learning
LSTM
GRU
Sanctions and exchange rates
اصل روستا، ا.، عرفانی، ع.، و کاشیان، ع. (۱۴۰۴). پیش‌بینی نرخ ارز در ایران با استفاده از تلفیق داده‌ها و مدل جامع مبتنی بر یادگیری ماشین. پژوهش‌های اقتصادی ایران، ۳۰(۱۰۳)، ۱۰۱–۱۳۷. https://doi.org/10.22054/ijer.2025.82330.1315.
حاجی‌کرم، ا.، و دارابی، ر. (۱۳۹۷). پیش‌بینی قیمت روزانه نفت خام برنت با ترکیب روش‌های آنالیز مؤلفه‌های اصلی و رگرسیون بردار پشتیبان. پژوهشنامه اقتصاد انرژی ایران، ۷(۲۵)، ۴۱–۶۰.
حیدری، ع.، دقیقی اصلی، ع.، عباسی، ا.، و دامن‌کشیده، م. (۱۴۰۳) Presenting a model for predicting global crude oil prices based on artificial intelligence algorithm. نشریه ژئومکانیک و ژئوانرژی، ۷(۳)، ۱۹–۳۲. https://doi.org/10.22107/jpg.2024.423782.1216.
خدادادی، ف.، و نخلی، س. ر. (۱۴۰۵). مدیریت ارزی بانک مرکزی در راستای بند ۲ سیاست‌های کلی برنامه هفتم پیشرفت در شرایط تحریم‌های اقتصادی: رویکرد  DSGE. نظریه‌های کاربردی اقتصاد، ۱۳(۱)، ۱۴۷–۱۷۶. https://doi.org/10.22034/ecoj.2025.67575.3436.
شیراوند، م.، ذوالفقاری، م.، عابدی، س.، و خسروی‌نژاد، ن. (۱۴۰۴). چگونه نااطمینانی اقتصادی جهانی و بازار نفت بر یکدیگر اثر می‌گذارند؟ رویکرد ترکیبی یادگیری ماشین و اقتصادسنجی برای پیش‌بینی بهتر. پژوهشنامه اقتصاد انرژی ایران، e18998. https://doi.org/10.22054/jiee.2025.85888.2149.
صبری، ا.، اسماعیل‌پور مقدم، ه.، و فلاحی، م. ع. (۱۴۰۴). بررسی اثر تغییرات قیمت بازارهای کامودیتی به‌ویژه نفت بر بازار سهام کشورهای صادرکننده کامودیتی. پژوهشنامه اقتصاد انرژی ایران، e18822. https://doi.org/10.22054/jiee.2025.80534.2100.
طالبلو، ر.، و مهاجری، پ. (۱۴۰۳). اعتبارسنجی روش‌های یادگیری ماشین در پیش‌بینی شاخص‌های صنایع بورسی انرژی ایران. پژوهشنامه اقتصاد انرژی ایران، e18446. https://doi.org/10.22054/jiee.2025.82899.2120.
فتاحی، ش.، کیان‌پور، س.، و سهیلی، ک. (۱۴۰۲). پیش‌بینی قیمت نفت خام با استفاده از روش متن‌کاوی و مدل‌سازی داده‌های بزرگ. مهندسی منابع معدنی، ۸(۲)، ۸۳. https://doi.org/10.30479/JMRE.2022.17482.1593.
Aziznejad, S. (2026). The impacts of oil revenues on the exchange rate using the FMOLS method: Case study Iran. Petroleum Business Review, 10(1), 103–114. https://doi.org/10.22050/pbr.2025.542168.1404
Celik, B. A., Yulek, M., & Celik, S. (2026). Comparative performance of stochastic and deep learning models in forecasting crude oil prices under market shocks. Computers & Chemical Engineering, 206, 109534. https://doi.org/10.1016/j.compchemeng.2025.109534
Chen, D., Yu, X., & Pardo-Piñashca, E. J. E. P. (2026). Dynamic effects of EU economic sanctions on the EU-Russian energy market: Evidence on crude oil and natural gas. 210, 114996.
Doostkouei, S. G., Mousavi, M. H., & Karimi, M. S. (2024). Do oil sanctions reduce Dutch disease phenomenon? A quasi-experimental approach evidence from Iran. International Economics and Economic Policy, 21(2), 385–410. https://doi.org/10.1007/s10368-024-00584-1
Guo, Y., Ye, L., Wang, X., Wu, D., Wang, Z., & Wang, H. (2026). A hybrid CEEMDAN-HOA-Transformer-GRU model for crude oil futures price forecasting. Energy Engineering, 123(4). https://doi.org/10.32604/ee.2025.072163
Jiang, H., Dong, Y., Sun, S., & Wang, S. (2026). How uncertain are oil prices? Bayesian regularized distribution neural network for forecasting oil prices. 58(9), 1639–1655.
Lahmiri, S. (2026). A hybrid CNN-LSTM-GRU system tuned by whale optimization algorithm for enhanced gold and Brent price prediction. Finance Research Open, 2(1), 100100. https://doi.org/10.1016/j.finr.2026.100100
Liang, Q., Lin, Q., Guo, M., Lu, Q., & Zhang, D. (2025). Forecasting crude oil prices: A gated recurrent unit-based nonlinear Granger causality model. International Review of Financial Analysis, 102, 104124. https://doi.org/10.1016/j.irfa.2025.104124
Liu, L., Li, L., Li, D., & Tang, L. (2026). Analysis of geopolitical risk impacts on crude oil volatility with an explainable machine learning approach: China versus the USA. Applied Economics, 58(17), 3305–3322.
Mahmoudi, V., & Arabi, H. (2025). Crude oil price hikes and exchange rate volatility in Iran: Evidence from GARCH-family models. Petroleum Business Review, 9(4), 43–63.
Mirjalili, S. H. (2025). Financial sanction, exchange rate volatility and macroeconomic variables (Case of Iran).
Razavi, S. A., Manshad, A. K., & Kashani, L. (2026). Applications of econometrics and artificial intelligence in oil price prediction: A systematic review study. Energy Strategy Reviews, 65, 102226. https://doi.org/10.1016/j.esr.2026.102226
Sen, A., & Dutta Choudhury, K. (2024). Forecasting the crude oil prices for last four decades using deep learning approach. Resources Policy, 88, 104438. https://doi.org/10.1016/j.resourpol.2023.104438
Sen, A., & Shorma, A. (2026). Statistical versus deep learning forecasting of crude oil prices: A controlled comparison of ARIMA and GRU models for one-step-ahead WTI prediction.
Victor, G. (2026). Machine learning based analysis of the impact of crude oil price volatility on exchange rate dynamics in emerging and developed economies.
Wang, C., Lin, G., Liu, S., Yang, W., & Liu, H. (2026). Explainable forecasting of international crude oil price driven by geopolitical news decision-making with large language models. Paper presented at the International Petroleum Technology Conference.
Wei, X. (2026). Forecasting crude oil futures price with energy uncertainty: Evidence from machine learning methods. PLOS ONE, 21(2), e0341496.
Zhang, C., & Chen, K. (2025). Unravelling the interplay of crude oil, renewable energy, and commodity price volatility: A DCC-GARCH model approach on the Chinese stock market. 124128.
Zhang, Y., Wang, J., & Zhao, Y. (2025). GRUAtt-Autoformer: A hybrid framework with BiGRU-enhanced attention for crude oil price forecasting. 13(23), 3825.
Zhu, S., Xu, M., Wu, J., Wang, Y., Jiang, X., Huang, Z., … Zhu, Y. (2025). A study on crude oil price forecasting model integrating CEEMDAN-VMD multiscale decomposition with CNN-BiLSTM.