Forecasting Models Based on Fuzzy Logic: An Application on International Coffee Prices

• Autorzy: Chellai Fatih

Warianty tytułu

Modele prognostyczne oparte na logice rozmytej: aplikacja dotycząca międzynarodowych cen kawy

• Języki publikacji: EN

Abstrakty

EN

In recent decades, Fuzzy Time Series (FTS) has become a competitive, sometimes complementary, approach to classical time series methods such as that of Box-Jenkins. This study has two different purposes: a theoretical purpose, presenting an overview of the fuzzy logic and fuzzy time series models, and a practical purpose, which is to estimate and forecast monthly international coffee prices during the period 2000-2022. Analysing and forecasting the dynamics of coffee prices is of great interest to producers, consumers, and other market actors in managing and making rational decisions. The findings showed that international coffee prices exhibited significant fluctuations, with large increases and decreases influenced mainly by the level of top-ranked producers. The forecasted results revealed that a decrease in prices during the next six months (Jan 2023 to June 2023) is expected. Based on the results, it is also clear that the FTS models are more flexible and can be applied in forecasting time-series variables. At the same time, volatility and, sometimes, the unexpected swingsin coffee prices continue to draw more criticism and raise different issues regarding the roles of the markets and countries in ensuring food security.(original abstract)

W ostatnich dziesięcioleciach rozmyte szeregi czasowe stały się konkurencyjnym, czasem uzupełniającym, podejściem wobec klasycznych metod analizy szeregów czasowych, takich jak metoda Boxa-Jenkinsa. Prezentowane badanie ma dwa różne cele: cel teoretyczny, w którym przedstawiono przegląd logiki rozmytej i modeli rozmytych szeregów czasowych, oraz cel praktyczny, którym jest oszacowanie i prognoza miesięcznych międzynarodowych cen kawy w okresie 2000-2022. Analiza i prognozowanie dynamiki cen kawy ma duże znaczenie dla producentów, konsumentów i uczestników rynku w zarządzaniu i podejmowaniu racjonalnych decyzji. Wyniki pokazały, że międzynarodowe ceny kawy wykazywały duże wahania, z dużymi wzrostami i spadkami, na które wpływ miał głównie poziom czołowych producentów. Zgodnie z wynikami prognoz należy spodziewać się spadku cen w ciągu najbliższych sześciu miesięcy (od stycznia do czerwca 2023 r.). Na podstawie uzyskanych wyników można stwierdzić, że modele FTS są bardziej elastyczne i mogą być stosowane w prognozowaniu zmiennych szeregów czasowych. Z drugiej strony zmienność, a czasami nie-oczekiwane zmiany cen kawy nadal powodują coraz większą krytykę i sygnalizują, że należy zwrócić uwagę na różne kwestie dotyczące roli rynków i państw w zapewnianiu bezpieczeństwa żywnościowego.(abstrakt oryginalny)

Słowa kluczowe

EN

Fuzzy logic; Time-series; Forecasting; Prediction of prices; Coffee

PL

Logika rozmyta; Szeregi czasowe; Prognozowanie; Prognozowanie cen; Kawa

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2022
• Tom: 26
• Numer: nr 4
• Strony: 1--16

Twórcy

autor

Chellai Fatih

• Ferhat Abbas University, Sétif, Algeria

Bibliografia

• Abbasov, A. M., & Mamedova, M. H. (2003). Application of fuzzy time series to population forecasting (Proceedings of 8th Symposium on Information Technology in Urban and Spatial Planning, Vienna University of Technology, February 25-March 1, pp. 545-552).
• Asli, K. H., Aliyev, S. A. O., Thomas, S., & Gopakumar, D. A. (2017). Handbook of research for fluid and solid mechanics: Theory, simulation, and experiment. CRC Press.
• Bose, M., & Kalyani, M. (2019). Designing fuzzy time series forecasting models: Asurvey. International Journal of Approximate Reasoning, (111), 78-99.
• Box, G., & Jenkins, M. (1976). Time series analysis. Forecasting and control. Hoboken: Wiley.
• Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, (81), 311-319.
• Chen, S. M., & Hsu, C. C. (2004). A new method to forecast enrollments using fuzzy time series. International Journal of Applied Science and Engineering, (12), 234-244.
• Deina, C., do Amaral Prates, M. H., Alves, C. H. R., Martins, M. S. R., Trojan, F., Stevan Jr, S. L., & Siqueira, H. V. (2022). A methodology for coffee price forecasting based on extreme learning machines. Information Processing in Agriculture, 9(4), 556-565.
• Di Giovanni, J., Ka, A., & Yildirim, M. A. (2022). Global supply chain pressures, international trade, and inflation (No. w30240). National Bureau of Elemli-Özcan, Ṣ., Silvaconomic Research.
• Fatih, Ch. (2022). Forecasting using Fuzzy Time Series (MPRA Paper). University Library of Munich, Germany. Retrieved from https://EconPapers.repec.org/RePEc:pra:mprapa:113848
• Fatih, Ch., Charfeddine, L., & Mishra, P. (2020). Modeling and forecasting olive oil price using Fuzzy Time Series and a Fractional Integrated Stochastic Process. Middle East J. Sci. Res., 28, 322-336. doi: https://dx.doi.org/10.5829/idosi.mejsr.2020.322.336
• Fatih, Ch., Hamimes, A., & Mishra, P. (2019). Covid-19 statistics, strange trend and forecasting of total cases in the most infected African countries: An ARIMA and Fuzzy Time Series approaches. African Journal of Applied Statistics, 7(2), 967-982.
• Huarng, H. (2001). Huarng models of fuzzy time series for forecasting. Fuzzy Sets and Systems, (123), 369-386.
• Hyndman, R. J., & Killick, R. (2022). CRAN task view: Time series analysis. Version 2022-06-02. Retrieved from https://CRAN.R-project.org/view=TimeSeries
• Jiang, P. Dong Q., Li, & Lian, L. (2017). A novel high-order weighted fuzzy time series model and its application in nonlinear time series prediction. Appl. Soft Comput. (55), 44-62.
• Koh, I., Garrett, R., Janetos, A., & Mueller, N. D. (2020). Climate risks to Brazilian coffee production. Environmental Research Letters, 15(10), 104015.
• Labys, W. C. (2017). Modeling and forecasting primary commodity prices. Routledge.
• Liu, H.-T., & Wei M.-L. (2010). An improved fuzzy forecasting method for seasonal time series. Expert Syst. Appl., 37(9), 6310-6318.
• Mamdani, E. H. (1974). Application of fuzzy algorithms for control of simple dynamic plant. Proceedings of the Institution of Electrical Engineers, 121(12), 1585-1588. doi:10.1049/PIEE. 1974.0328
• Naveena, K., Singh, S., Rathod, S., & Singh, A. (2017). Hybrid ARIMA-ANN modelling for forecasting the price of Robusta coffee in India. Int. J. Curr. Microbiol. Appl. Sci, 6(7), 1721-1726.
• Novanda, R. R., Sumartono, E., Asriani, P. S., Yuliarti, E., Sukiyono, K., Priyono, B. S., ... & Octalia, V. (2018, November). A comparison of various forecasting techniques for coffee prices. Journal of Physics: Conference Series, 1114(1).
• Pham, Y., Reardon-Smith, K., Mushtaq, S., & Cockfield, G. (2019). The impact of climate change and variability on coffee production: A systematic review. Climatic Change, 156(4), 609-630.
• Reuters. (9 Nov. 2022). Rabobank sees growing coffee crop in Brazil, more sugarcane crushing. Retrieved from www.reuters.com/markets/commodities/rabobank-sees-growing-coffee-crop-brazil-more-sugarcane-crushing-2022-11-09
• Saâdaoui, F., Jabeur, S. B., & Goodell, J. W. (2022). Causality of geopolitical risk on food prices: Considering the Russo-Ukrainian conflict. Finance Research Letters, 49, 103103.
• Singh, S. R. (2008). A computational method of forecasting based on fuzzy time series. Mathematics and Computers in Simulation, (79), 539-554.
• Song, Q., & Chissom, B. S. (1993). Forecasting enrollments with fuzzy time series-part 1. Fuzzy Sets and Systems, (54), 1-9.
• Theil, H. (1966). Applied economic forecasts. Amsterdam: North Holland.
• Tran, T. N. H., Doan, H. N., Mai, T. H. D., Nguyen, T. D. M., Hong, V. M., Vo, V. T. & Pham, M. T. (2016). Analyze TS: Analyze Fuzzy Time Series. R package version 2.2. Retrieved from https://CRAN.R-project.org/package=AnalyzeTS
• Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3-28.

Identyfikatory

DOI

10.15611/eada.2022.4.01