پیش بینی روند حرکتی قیمت طلای جهانی با مدلهای متقارن و نامتقارن گارچ- اسپلاین

نوع مقاله : علمی- پژوهشی

نویسندگان

1 استادیار گروه علوم اقتصادی، دانشگاه آیت الله بروجردی

2 استادیار گروه ریاضی، دانشگاه آیت الله بروجردی

3 کارشناس ارشد ریاضی مالی، دانشگاه آیت الله بروجردی

چکیده

مطالعه بازار سرمایه یک کشور، موضوع اصلی بسیاری از تحقیقات در چند دهه گذشته بوده است. یکی از متغیرها که توجه بسیاری از محققان و تحلیلگران را به خود جذب کرده است، روند حرکتی قیمت طلا می‌باشد. طلا همواره به عنوان رقیبی برای پول‌های رایج و جاگزینی برای آن در ایفای نقش ذخیره ارزش، موقعیت خود را در بحران‌های سیاسی و اقتصادی حفظ کرده است. طلا به عنوان محافظی در مقابل افزایش یا کاهش ارزش پول و سرمایه‌گذاری امن مورد توجه قرار گرفته است. اهمیت عینی بازار طلا در مطبوعات مالی، و انعکاس نوسانات روزانه قیمت آن به صورت برجسته، این واقعیت را نشان می‌دهد که قیمت و عملکرد سرمایه‌گذاری طلا به عنوان یک دارایی بسیار با اهمیت است. با توجه به اهمیت قیمت طلا و اثرات اقتصادی حاصل از نوسانات قیمتی آن، پیش‌بینی قیمت طلا برای سرمایه­گذاران به منظور حداقل سازی ریسک سرمایه­گذاری از اهمیت ویژه‌ای برخوردار است. در این مقاله، دقت پیش­بینی مدل‌های مختلف حافظه کوتاه­مدت و بلندمدت گارچ و  مدل­های متقارن و نامتقارن گارچ - اسپلاین، در پیش‌بینی روند حرکتی قیمت طلای جهانی در طی سال‌های 2000 تا  2018  بر اساس معیار خطای RMSE مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که در افق‌های پیش‌بینی کوتاه‌مدت و بلند‌مدت، مدلهای گارچ - اسپلاین از دقت پیش‌بینی بالاتری برای قیمت طلای جهانی نسبت به مدل‌های گارچ حافظه کوتاه­مدت و بلندمدت برخوردار بوده­ است.

کلیدواژه‌ها


عنوان مقاله [English]

x

نویسندگان [English]

  • Younes Nademi 1
  • Mohammad Reza Haddadi 2
  • Hamed Farhadi 3
1 x
2 x
3 x
چکیده [English]

x

کلیدواژه‌ها [English]

  • x
ابطحی، س، نیک فطرت، ح، (1392). شناسایی چرخش رژیم در بازده بازار اوراق بهادار ایران. فصلنامه مدل‌سازی اقتصادی، شماره 4، ص 41-56.
امیر‌حسینی، زهرا و  داور‌پناه، عاطفه (1397). طراحی الگوریتم جهت پیش‌بینی قیمت طلا، با استفاده از الگوریتم پرواز پرندگان و الگوریتم ژنتیک و ارائه الگوریتم ترکیبی. مجله مهندسی مالی و مدیریت اوراق بهادار، شماره26، 59-83..
اقتصاد ایران. (1390). گیر طلا و ارز،  صفحه 67.
آیت اللهی، علیرضا (1377). اصول برنامه­ریزی. ویزایش سوم، مرکز آموزش مدیریت دولتی.
بشارت نیا، فاطمه، طریقت، میلاد (1395). پیش‌بینی قیمت طلا با استفاده از شبکه های عصبی. دومین کنفرانس ملی علوم و منهدسی کامپیوتر و فناوری اطلاعات، بابل.
جلیلی، س، امامی، ک، محمدی، ت، (1396). بررسی عدم تقارن و تحلیل عوامل مؤثر بر نوسانات قیمت طلا در ایران. دهمین کنفرانس بین المللی اقتصاد و مدیریت، رشت.
سرفراز، لیلا، افسر، امیر (1384).  بررسی عوامل مؤثر بر قیمت طلا و ارائه مدل پیش‌بینی بر مبنای شبکه‌های عصبی فازی. فصلنامه پزوهش‌های اقتصادی،  شماره 16، ص 149- 165.
صنوبر، ناصرو معطوفی، علیرضا (1386). مجموع مقالات و همایش‌های مدیریت مالی بازار سرمایه و گزارشکری. دبیر خانه همایش مدیریت مالی، بازار سرمایه و گزارشکری، ص 61.
زراء نژاد، منصور، رئوفی، علی و کیانی، پویان (1391). ارزیابی و مقایسه عملکرد خود‌رگرسیون میانگین متحرک انباشته و شبکه عصبی فازی برای پیش‌بینی روزانه قیمت طلا. اولین کنفرانس بین‌المللی اقتصاد‌سنجی، روش‌ها و کاربرد‌ها، دانشگاه آزاد اسلامی واحد سنندج.
مشیری، سعید (1380). پیش‌بینی تورم ایران با استفاده از مدل‌های ساختاری، سری‌های زمانی و شبکه‌های عصبی. مجله تحقیقات اقتصادی،  شماره 58، ص 147-184.
Bentes, S, R. (2015). Forecasting Volatility in Gold returns underThe GARCH, IGARCH, and FIGARCH: New evidence, ELSVIER, Physica, A, 438, 355- 364.
Armstrong, J. S. (Ed.). (2001). Principles of forecasting: a handbook for researchers and practitioners (Vol. 30). Springer Science & Business Media.
Bollerslev, T. (1986). Generalized Autoreyressive Conditional Heteroskedasticity. Journ of Economics, 31, 307- 327
Dury, M.E. & Xiao, B., 2018. Forecasting the Volatility of the Chinese Gold Market by ARCH Family Models and extension to Stable Models.
Goudarzi, H. (2010). Modeling Long Mmory in the Indian Stok Market Using fractionally integrated EGARCH Model. International Journal of Trade, Economics and Finance, Vol 1(3), PP 231.
Gujarati, D. (2008). Basic Econometrics, Edition, Mc- Graw- Hiil        
Hamilton, J., & Susmel, R. (1994). Autoreyressive Conditional Heteroskedasticity in Regim, Journal of Econometrics, 64, 307- 332.
Johnston, k., Scott, E. (2000). GARCH Modals and The Stochastic Process undelying Exchange Kate Price Change, Journal of Financial and Strategic Decisions, Vol, 2, pp,13- 24.
Marcucci, J. (2005). Forecasting Stok Market Volatility with regim- switching GARCH Models, Studiesin Nonlinear Dynamics and Econometrics, 9, 1- 53.
Parisi, A., Parisi, F., Diaz, D. (2008).  Forecasting Gold Price changes Rolling and recursive neural network models, Journal of Multinational Financial Management, Elsevier, Vol 18(5), 477- 487.
Rangel, J. G., & Engle, R. F. (2012). The Factor–Spline–GARCH model for high and low frequency correlations. Journal of Business & Economic Statistics, 30(1), 109-124.
Sopipan, N. (2017). Trading Gold Future with ARIMA_ GARCH models. Thai Journal of Mathematics, Special Issue, Ahnual Meeting in Matematics.
Shafee, S., Topal, E.(2010). An overview of golobal gold market and gold price forecasting, Resources Polisy 35(3),  178- 17