Subject Areas : Applied Economics

عماد کاظم زاده ¹ , تقی ابراهیمی سالاری ² , مهدی بهنامه ³

1 - دانشجوی دکتری اقتصاد، دانشگاه فردوسی مشهد
2 - استادیار گروه اقتصاد، دانشگاه فردوسی مشهد
3 - استادیار گروه اقتصاد دانشگاه فردوسی مشهد

Received: 2018-11-09 Accepted : 2019-05-30 Published : 2019-05-22

Keywords:

References:

احمدی، سعید علی؛ احمدلو، مجید (1390)، پیش بینی قیمت قراردادهای آتی سکه طلا با استفاده از مدل آریما در بورس کالای ایران، مجله دانش مالی تحلیل اوراق بهادار، شماره نهم، صص: 61- 74.

امیر حسینی، زهرا؛ داورپناه، عاطفه (1394)، طراحی الگویی جهت پیش بینی قیمت طلا، با استفاده از الگوریتم پرواز پرندگان و الگوریتم ؤنتیک و ارائه الگوریتم ترکیبی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 26، صص: 59- 83.

آرمن، سید عزیز؛ رئوفی، علی (1392)، ارزیابی پیش بینی‌پذیری قیمت طلا و مقایسه پیش بینی روش‌های خطی و غیر خطی، فصلنامه پژوهش‌های اقتصادی کاربردی، سال اول، شماره سوم، صص: 1- 24.

بیات، محبوبه و نوفرستی، محمد (1394)، اقتصاد سنجی کاربردی سری‌های زمانی: الگوهای ترکیبی با تواتر متفاوت، تهران، نشر نور علم، چاپ اول.

بیجاری، مهدی؛ خاشعی، مهدی (1387)، بهبود عملکرد پیش بینی های مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی، پژوهشهای اقتصادی (رشد و توسعه پایدار)، شماره 27، صص: 83- 100.

جعفرزاده نجار، مرتضی؛ صباحی ، احمد (1394)، عوامل موثر بر قیمت طلا در ایران، دو فصلنامه اقتصاد پولی و مالی، شماره 11، بهار و تابستان 1395، صص: 83- 99.

دلاوری، مجید؛ رحمتی، زینب (1389)، بررسی عوامل موثر بر تغییرپذیری قیمت سکه در ایران با استفاده از مدل‌های آرچ، مجله دانش و توسعه، سال هفدهم، شماره 30، صص: 51- 68.

دلاوری، مجید؛ روشنی بروجنی، نفیسه (1391)، بررسی عوامل موثر بر تغییر پذیری قیمت‌های آتی سکه طلا، فصلنامه علوم اقتصادی، سال ششم، شماره نوزدهم، صص: 29- 58.

سرافراز، لیلا؛ افسر، امیر (1384)، بررسی عوامل موثر برر قیمت طلا و ارائه مدل پیش بینی بر مبنای شبکه‌های عصبی فازی، فصلنامه پژوهشهای اقتصادی، شماره 16، صص: 149- 165.

صمدی، سعید؛ نظیفی، نایینی (1392)، تحلیل عوامل موثر بر نوسان‌های قیمت طلا با استفاده از مدل‌های رگرسیون سوئیچینگ مارکوف و شبکه عصبی، دوفصلنامه اقتصاد پولی و مالی، سال 20، شماره6، صص:121- 146.

معمار نژاد، عباس؛ فرمان آرا، وحید (1390)، پیش بینی قیمت سکه طلا در بورس کالای ایران با رویکرد شبکه عصبی GMDH، فصلنامه اقتصاد کاربردی، سال دوم، شماره ششم، صص: 27- 48.

 

Alessi, L., Ghysels, E., Onorante, L., Peach, R., & Potter, S. (2014). Central bank macroeconomic forecasting during the global financial crisis: the european central bank and federal reserve bank of new york experiences. Journal of Business Economic Statistics, 32(4), 483-500.

Aye, G., Gupta, R., Hammoudeh, S., & Kim, W. J. (2015). Forecasting the price of gold using dynamic model averaging. International Review of Financial Analysis, 41, 257-266.

Ayele, A. W., Gabreyohannes, E., & Tesfay, Y. Y. (2017). Macroeconomic determinants of volatility for the gold price in Ethiopia: The Application of GARCH and EWMA Volatility models. Global Business Review, 18(2), 308-326.

Batten, J. A., Ciner, C., & Lucey, B. M. (2010). The macroeconomic determinants of volatility in precious metals markets. Resources Policy, 35(2), 65-71.

Bentes, S. R. (2015). Forecasting volatility in gold returns under the GARCH, IGARCH and FIGARCH frameworks: New evidence. Physica A: Statistical Mechanics its Applications, 438, 355-364.

Dhar, V., & Chou, D. (2001). A comparison of nonlinear methods for predicting earnings surprises and returns. IEEE Transactions on Neural networks, 12(4), 907-921.

Elder, J., Miao, H., & Ramchander, S. (2012). Impact of macroeconomic news on metal futures. Journal of banking finance Research Letters, 36(1), 51-65.

Fang, L., Yu, H., & Xiao, W. (2018). Forecasting gold futures market volatility using macroeconomic variables in the United States. Economic Modelling, 72, 249-259.

Gangopadhyay, K., Jangir, A., & Sensarma, R. (2016). Forecasting the price of gold: An error correction approach. IIMB management review, 28(1), 6-12.

Ghysels, E., Santa-Clara, P., & Valkanov, R. (2004). The MIDAS touch: Mixed data sampling regression models. working Paper,UCLA and UNC.

Ghysels, E., Santa-Clara, P., & Valkanov, R. (2006). Predicting volatility: getting the most out of return data sampled at different frequencies. Journal of Econometrics, 131(1-2), 59-95.

Klein, L., & Sojo, E. (1989). Combinations of high and low frequency data in macroeconometric models. In Economics in theory and practice: An eclectic approach (pp. 3-16): Springer.

Kristjanpoller, W., & Minutolo, M. C. (2015). Gold price volatility: A forecasting approach using the Artificial Neural Network–GARCH model. Expert Systems with Applications, 42(20), 7245-7251.

Lee, W.-C., & Lin, H.-N. (2010). The dynamic relationship between gold and silver futures markets based on copula-AR-GJR-GARCH model. Middle Eastern Finance Economics,(7),118-129.

Lin, J. (2010). Empirical study of Gold price Based on ARIMA and GARCH Models. Stockholm’s Universities.

Mensi, W., Beljid, M., Boubaker, A., & Managi, S. (2013). Correlations and volatility spillovers across commodity and stock markets: Linking energies, food, and gold. Economic Modelling, 32, 15-22.

Parisi, A., Parisi, F., & Díaz, D. (2008). Forecasting gold price changes: Rolling and recursive neural network models. Journal of Multinational financial management, 18(5), 477-487.

Pierdzioch, C., Risse, M., & Rohloff, S. (2015). A real-time quantile-regression approach to forecasting gold returns under asymmetric loss. Resources Policy, 45, 299-306.

Tripathy, N. (2017). Forecasting Gold Price with Auto Regressive Integrated Moving Average Model. International Journal of Economics Financial Issues, 7(4).

Zhu, Y., Fan, J., & Tucker, J. (2018). The impact of monetary policy on gold price dynamics. Research in International Business Finance Research Letters, 44, 319-331.