انتخاب مدل بهینه جهت توصیف و پیشبینی نوسانات بازدهی طلا در بازار ایران: مقایسه مدلهای گارچ متعارف، انباشته و انباشته کسری
محورهای موضوعی : مهندسی مالی
1 - دانشگاه گلستان، دانشکده علوم انسانی
کلید واژه: مدلسازی نوسانات, پیشبینی بازدهی طلا, حافظه بلندمدت, .FIGARCH,
چکیده مقاله :
طلا به عنوان یک پوشش در برابر شرایط معکوس بازار نقشی اساسی ایفا می کند. از این رو، درک صحیح رفتار نوسانات قیمت طلا جهت مدیریت ریسک، اتخاذ استراتژی های پوششی، انتخاب بهینه سبد دارایی و ... حائز اهمیت است. امروزه، مدل های خانواده گارچ بطور گسترده ای در مدل سازی فرآیند نوسانات بازدهی قیمت دارایی های مختلف مورد استفاده قرار می گیرند. این مقاله به مقایسه سه مدل GARCH(1,1)، IGARCH(1,1)و FIGARCH(1,d,1) در ارزیابی رفتار نوسانات قیمت طلا در بازار طلای ایران می پردازد. برای این منظور، از داده های روزانه بازدهی طلا در فاصله زمانی 05/01/1382 تا 03/10/1394 استفاده شده است. خروجی نرم افزار OxMetrics6.00 نشان می دهد که تصریح FIGARCHبهترین مدل جهت تعیین همبستگی نوسانات بازدهی طلا است. همچنین، پارامتر حافظه بلندمدت، مثبت و به لحاظ آماری معنادار است. در نتیجه، حافظه بلندمدت یک ویژگی مهم بازدهی نوسانات طلا بوده و باید در تصمیمات سرمایه گذاری مدنظر قرار گرفته شود. در نهایت، برای مقایسه دقت سه مدل مذکور در زمینه پیش بینی نوسانات بازدهی طلا، کل دوره به دو زیر دوره(زیر دوره اول شامل مشاهدات درون نمونهای و زیر دوره دوم شامل مشاهدات برون نمونهای) تقسیم می گردد. نتایج نشان می دهد که بر اساس هر سه معیار میانگین مطلق خطا (MAE)، جذر میانگین مربعات خطا (RMSE) و شاخص نابرابری تایل (TIC) مدل FIGARCH نسبت به دو مدل دیگر عملکرد بهتری در زمینه پیش بینی نوسانات سری زمانی بازدهی طلای ایران دارد.
This paper compares three models of the GARCH family to investigate the volatility dynamics of gold Price returns. Nowadays, GARCH-type models have been extensively used in modeling the volatility process of various asset price returns. Gold plays a critical role as a hedge against adverse market conditions. An accurate understanding about the gold volatility is important for the financial assets pricing, risk management, portfolio selection hedging strategies and value-at-risk policies. In this study, we use Iranian gold returns data from March 25, 2003 to December 25, 2015 and employ the GARCH(1,1), IGARCH(1,1) and FIGARCH(1,d,1) specifications. The research findings show that the FIGARCH is the best model to capture dependence in the conditional variance of the gold returns. Moreover, we examine the long memory behavior in the volatility of gold returns. According to the estimation results, the long memory parameter is positive and statistically significant. Consequently, long memory is an important characteristic of the gold volatility returns and should be taken into consideration in investment decisions. Also, the out-of-sample evaluation criteria (MAE, RMSE and TIC) select the FIGARCH(1,d,1) as the best forecasting model of gold volatility.
_||_