فهرست نشریات علمی دسترسی آزاد ایران

این پژوهش در چارچوب رویکرد یادگیری عمیق کوانتومی (QDL) و با بهره‌گیری از مدل حافظه بلندمدت–کوتاه‌مدت کوانتومی (QLSTM) به پیش‌بینی قیمت آتی نفت خام وست تگزاس اینترمدیت (WTI) می‌پردازد. با توجه به جایگاه راهبردی نفت در اقتصاد جهانی و تأثیر نوسانات آن بر شاخص‌های کلان اقتصادی، دستیابی به مدل‌های دقیق پیش‌بینی اهمیت فراوانی برای سیاست‌گذاران، سرمایه‌گذاران و فعالان بازار دارد. در این مطالعه، داده‌های روزانه قیمت آتی نفت خام WTI در بازه ژانویه 2003 تا ژوئن 2025 مورد استفاده قرار گرفت. مدل QLSTM که ترکیبی از قابلیت‌های یادگیری عمیق و محاسبات کوانتومی است، با شش مدل جایگزین شامل مدل‌های کلاسیک سری زمانی AR، MA، الگوریتم‌های یادگیری ماشین (SVR) و مدل‌های یادگیری عمیق سنتی LSTM،GRU و MLP مقایسه شد. نتایج نشان داد  QLSTMکمترین خطای پیش‌بینی MSE، RMSE و شاخص تایل را در مقایسه با سایر مدل‌ها دارد و آزمون دایبولد-ماریانو نیز این برتری را از نظر آماری تأیید کرد. یافته‌ها نشان می‌دهد QLSTM با بهره‌گیری از ویژگی‌های منحصر به‌فرد محاسبات کوانتومی مانند برهم‌نهی و درهم‌تنیدگی، توانایی بالایی در شناسایی الگوهای پیچیده و نوسانات شدید بازار نفت دارد. این نتایج پیامدهای مهمی برای سیاست‌گذاران ایران در مدیریت ریسک، بودجه‌ریزی و طراحی سیاست‌های انرژی دارد و همچنین مسیرهای تازه‌ای را برای پژوهش‌های آتی فراهم می‌آورد.