fa پیش‌بینی قیمت‌های نقدی گازطبیعی به کمک مدل‌های غیرخطی ناپارامتریک انرژی، منابع و محیط زیست انرژی، منابع و محیط زیست كاربردي Applicable پیش‌بینی دقیق قیمت‌های نقدی گاز طبیعی از اهمیت زیادی برخوردار است زیرا می‌تواند در تصمیم‌گیری‌های نظارتی هر دو جانب عرضه و تقاضای گاز طبیعی مفید واقع شود. لذا در این مطالعه، آزمون گاما جهت قیمت‌های گاز، به‌عنوان یک ابزار غیرخطی و ناپارامتریک استفاده شد تا بتوان بهترین ترکیب ورودی‌ها را قبل از کالیبراسیون و آزمون مدل انتخاب نمود. آزمون گاما دارای مدل‌های غیرخطی متعددی مانند رگرسیون خطی موضعی (LLR)، رگرسیون خطی موضعی پویا (DLLR) و شبکه‌های عصبی مصنوعی (ANN) می‌باشند. بدین‌منظور از قیمت‌های نقدی روزانه، هفتگی و ماهانه‌ی گاز هنری‌هاب از 7/11997 تا 20/3/ 2012 استفاده شد. مقایسه‌ی نتایج نشان داد که مدل DLLR از ضریب همبستگی بالاتر و میانگین مربعات خطای پایین‌تر از LLR برخوردار بوده و پیش‌بینی‌های بهتری را بدست می‌دهد. مدل ANN نشان می‌دهد که هرچه دوره‌ی پیش‌بینی کوتاه‌تر باشد نتایج دقیق‌تری را داراست. بنابراین، مدل پیش‌بینی قیمت‌های نقدی روزانه با روش ANN می‌تواند به عنوان یک مدل مناسب درنظر گرفته شود. بعلاوه، مدل‌های ANN در مقایسه با مدل‌های LLR و DLLR دارای عملکرد بالاتری است و دقت بالاتری را جهت پیش‌بینی روند قیمت‌های گاز در مقیاس‌های زمانی متفاوت بدست می‌دهد اما این دسته از مدل‌ها از توانایی لازم جهت پیش‌بینی شوک‌های قیمتی بازار برخوردار نمی‌باشند Developing models for accurate natural gas spot price forecasting is critical because these forecasts are useful in determining a range of regulatory decisions covering both supply and demand of natural gas or for market participants. A price forecasting modeler needs to use trial and error to build mathematical models (such as ANN) for different input combinations. This is very time consuming since the modeler needs to calibrate and test different model structures with all the likely input combinations. In addition, there is no guidance about how many data points should be used in the calibration and what accuracy the best model is able to achieve. In this study, the Gamma Test has been used for the first time as a mathematically nonparametric nonlinear smooth modeling tool to choose the best input combination before calibrating and testing models. Then, several nonlinear models have been developed efficiently with the aid of the Gamma test, including regression models Local Linear Regression (LLR), Dynamic Local Linear Regression (DLLR) and Artificial Neural Networks (ANN) models. We used daily, weekly and monthly spot prices in Henry Hub from Jan 7, 1997 to Mar 20, 2012 for modeling and forecasting. Comparing the results of regression models show that DLLR model yields higher correlation coefficient and lower MSError than LLR and will make steadily better predictions. The calibrated ANN models specify the shorter the period of forecasting, the more accurate results will be. Therefore, the forecasting model of daily spot prices with ANN can interpret a fine view. Moreover, the ANN models have superior performance compared with LLR and DLLR. Although ANN models present a close up view and a high accuracy of natural gas spot price trend forecasting in different timescales, its ability in forecasting price shocks of the market is not notable. گاز طبیعی, قیمت نقدی, آزمون گاما, مدل غیرخطی ناپارامتریک Natural gas, spot price, Gamma Test, Nonparametric nonlinear model 111 150 http://jfm.khu.ac.ir/browse.php?a_code=A-10-958-1&slc_lang=fa&sid=1 Narges Salehnia نرگس صالح نیا salehnian@gmail.com 10031947532846005016 10031947532846005016 Yes Ferdowsi University of Mashhad (FUM) دانشگاه فردوسی مشهد Mohamad Ali Falahi محمد علی فلاحی falahi@um.ac.ir 10031947532846005017 10031947532846005017 No Ferdowsi University of Mashhad (FUM) دانشگاه فردوسی مشهد Ahmad Seifi احمد سیفی spring05@um.ac.ir 10031947532846005018 10031947532846005018 No Ferdowsi University of Mashhad (FUM) دانشگاه فردوسی مشهد Mohammad Hossein Mahdavi Adeli محمد حسین مهدوی عادلی mh-mahdavi@um.ac.ir 10031947532846005019 10031947532846005019 No Ferdowsi University of Mashhad (FUM) دانشگاه فردوسی مشهد