پیش بینی نوسانات قیمت آتی سکه طلا در بورس کالای ایران با استفاده از روش های پارامتریک

الموضوعات : دانش سرمایه‌گذاری

محمد اسماعیل فدایی نژاد ¹ , علی صالح آبادی ² , غلامحسین اسدی ³ , محمد تقی وزیری ⁴ , حسن طاعتی کاشانی ⁵

1 - معاون تحصیلات تکمیلی دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی
2 - imam sadegh university
3 - beheshti university
4 - عضو هیئت علمی دانشگاه ایالتی کالیفرنیا
5 - دانشکده مدییت و حسابداری دانشگاه شهید بهشتی

تاريخ الإرسال : 05 السبت , شعبان, 1439 تاريخ التأكيد : 17 الإثنين , ذو القعدة, 1439 تاريخ الإصدار : 03 السبت , محرم, 1442

الکلمات المفتاحية: بازار آتی, نوسان, ﻣﺎرﮐﻮف ﺳﻮﺋﯿﭽﯿﻨﮓ ﮔﺎرچ, روش های پارامتریک,

ملخص المقالة :

ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﻣﻮﺿﻮﻋﺎت ﺑﺎزارﻫﺎی ﻣﺎﻟﯽ در دﻫﻪﻫﺎی اﺧﯿﺮ پیش بینی ﺑﻮده اﺳﺖ. ﻣﻬﻢﺗـﺮﯾﻦ ﻫـﺪف اﯾـﻦ ﺗﺤﻘﯿـﻖ، پیش بینی نوسانات قیمت آتی سکه طلا در بورس کالای ایران است.در این تحقیق اقدام به برآورد و پیش‌بینی چهار دسته مدل‌های گارچ متقارن (GARCH) گارچ نمایی، FIGARCHو گارچ چند رژیمه با سه نوع توزیع نرمال، توزیع T و توزیع GED پرداخته ‌شده است. بر اساس خطای مدل در پیش بینی نوسانات کاراترین مدل جهت پیش بینی نوسانات در بازار آتی طلا ﻣﺪل ﻣﺎرﮐﻮف ﺳﻮﺋﯿﭽﯿﻨﮓ ﮔﺎرچ (MS-E-GARCH) گزارش گردید.ﻧﺘﺎﯾﺞ ﺑﺮآورد ﻣﺪل ﻣﺎرﮐﻮف ﺳﻮﺋﯿﭽﯿﻨﮓ ﮔﺎرچ (MS-E-GARCH)، ﻧﺸﺎن ﻣـﯽ‌دﻫـﺪ نوسانات بازار سکه آتی قابلیت پیش بینی را دارد و در نتیجه نوسانات ﺑـﺎزار قیمت سکه آتی در ﻫﺮ دو رژﯾﻢ ﭘﺮﻧﻮﺳﺎن و ﮐﻢﻧﻮﺳﺎن از ﮐﺎراﯾﯽ ﺿﻌﯿﻒ ﺑﺮﺧﻮردار ﻧﯿﺴﺖ و ﻣﯽﺗﻮان در اﯾـﻦ ﺑـﺎزار ﺑـﻪ ﺳﻮدﻫﺎی ﺳﯿﺴﺘﻤﺎﺗﯿﮏ دﺳﺖ ﯾﺎﻓﺖ. بر اساس نتایج تحقیق دقت مدل (MS-E-GARCH) در حالت توزیع GED نسبت به سایر مدل‌ها بالاتر است.

المصادر:

• شعرایی، سعید (1389) بررسی وجود حافظه بلند مدت در بورس اوراق بهادار تهران ، مجله حسابداری مالی، شماره 6، ص 173


• سعیدی، حسین؛ محمدی، شاپور، (1390) ، پیش بینی نوسان بازده بازار با استفاده از مدل های ترکیبی، فصلنامه بورس اوراق بهادار، سال چهارم، 16


• گل ارضی، غلامحسین ؛ چهره نگار، اشکان، (1394) مقایسه عملکرد روش فضای حالت با روش حداقل مربعات معمولی OLS در برازش مدل سه عاملی فاما و فرنچ برای پیش‌بینی بازده، در بورس اوراق بهادار تهران، مدیریت دارایی و تامین مالی، شماره 9


• Anderson(1985), Determinates of the volatility of future price, journal of future matket, vio5,


• Anderson and Danthin (1983), The time pattern of hedging and the volatility futures price, Review of Economic studies, vol 50


• Baillie, R. T., & Myers, R. J. (1991). Bivariate GARCH estimation of the optimal 1998commodity futures hedge. Journal Applied Econometrics, 6, 109–124.


• Bildirici, M., Ersin, O.O., (2013). Forecasting Oil Prices: Smooth Transition and Neural Network Augmented GARCH Family Models. Journal of Petroleum cience and Engineering,. 109,. 230-240


• Bryant, H. L., Bessler, D. A. & Haigh, M. S. (2006). Causality in futures markets. The Journal of Futures Markets, 26, 1039–1057.


• Bollerslev, T., and Mikkelsen, H. O. (1996): “Fractionally integrated generalized autoregressive conditional heteroskedasticity,” Journal of Econometrics, 74,3–30.


• Chkili, W., Hammoudeh, Sh., Nguyen, D., (2014). Volatility Forecasting and Risk Management for Commodity Markets in the Presence of Asymmetry and Long Memory. Energy Economics,. 41,. 1-18.


• Chang, E., Chou, R. Y., & Nelling, E. F. (2000). Market volatility and the demand for hedging in stock index futures. The Journal of Futures Markets, 20, 105–125.


• Chang, E. R., Pinegar, M., & Schachter, B. (1997). Interday variations in volume, variance and participation of large speculators. Journal of Banking & Finance, 21, 797–810.


• Crato, N., & Ray, B. K. (2000). Memory in returns and volatilities of futures The Journal of Futures Markets, 20(6), 525–543.


• Crato, N. (1994): “Some international evidence regarding the stochastic memory of stock returns,” Applied Financial Economics 4, 1, 33-39.


• De Lima, P. and Crato, N. (1993): “Long-memory in stock returns and volatilities,” American Statistical Association, Proceedings of the Business and Economic Statistics Section


• Jin, H. J., & Frechette, D. L. (2004). Fractional integration in agricultural futures price volatilities. American Journal of Agricultural Economics, 86(2), 432–443.


• Harris, R.D.F., Nguyen, A., (2013). Long Memory Conditional Volatility and Asset Allocation. International Journal of Forecasting,. 29(2),. 258-273.


• Hurst, H.E. “The Long-Term Dependence in Stock ” Transactions of the American Society of Civil Engineers 116(1951):770–99.


• Kang, S.H., Cheong, C., Yoon, S.M., (2010. Long Memory Volatility in Chinese Stock Markets. Physica A: Statistical Mechanics and its Applications,. 389, Issue. 7,. 1425-1433


• Kasman, A., Kasman, S., Torun, E., (2009). Dual Long Memory Property in Returns and Volatility: Evidence From The CEE Countries' Stock Markets. Emerging Markets Review,. 10,. 2,. 122-139.


• Mun, M., Brooks, R., (2012). The Roles of News and Volatility in Stock Market Correlations during the Global Financial Crisis. Emerging Markets Review,. 13, Issue. 1,. 1-7.


• Poon S-H, Granger CW (2003) Forecasting financial market volatility: a review. J Econ Lit 41:478–539


• Samuelson, P. (1965). Proof that properly anticipated prices fluctuate randomly. Industrial Management Review, 6, 41–49.


• Tan, P.P., Galagedera, D. U. & Maharaj, E.A. (2012). A wavelet based investigation of long memory in stock returns. Physica A, 391, 2330–2341.


• Tornell, A., & Yuan, C. (2012). Speculation and hedging in the currency futures markets: Are they informative to the spot exchange rates. The Journal of Futures Markets, 32, 122–151


• Ying, Jiang and Shamin, Ahmed and Xiaoquan, Liu(2016) Volatility forecasting in the Chinese commodity futures market with intraday data. Review of Quantitative Finance and Accounting


• Wang, C. (2002a). The effect of net positions by type of trader on volatility in foreign currency futures markets. The Journal of Futures Markets, 22, 427–450.


• Williams, J., & Wright, B. (1991). Storage and commodity markets. Cambridge, UK: Cambridge University Press.


• Zhou, Jian & Kang, Zhixin. (2011). A Comparison of Alternative Forecast Models of REIT Volatility. Journal of Real Estate Finance Economics,. 275-294.