مقایسه کارآمدی مدلهای ARIMA و ARFIMA در پیش بینی نرخ بهره و نرخ اوراق خزانه اسلامی در ایران
محورهای موضوعی : دانش سرمایهگذاری
محدثه رزاقی
1
,
هاشم نیکومرام
2
,
علیرضا حیدرزاده هنزائی
3
,
فرهاد غفاری
4
,
مهدی معدن چی زاج
5
1 - دانشجوی دکترای مهندسی مالی دانشگاه علوم و تحقیقات
2 - عضو هیئت علمی دانشگاه آزاد واحد علوم و تحقیقات تهران
3 - استادیار و عضو هیات علمی گروه مدیریت مالی
دانشکده مدیریت و علوم اجتماعی، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران
4 - دانشیار، گروه اقتصاد، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی
5 - گروه مدیریت مالی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران
کلید واژه: حافظه بلندمدت, پیش بینی نرخ بهره, میانگین متحرک خودهمبسته یکپارچه, خود رگرسیون میانگین متحرک انباشته,
چکیده مقاله :
نظر به اهمیت پیش بینی متغیرهای اقتصادی، مدلهای مختلفی جهت پیشبینی مقادیر آتی به وجود آمده‌اند. در حقیقت مدلهای اقتصادی را می‌توان از طریق بررسی میزان دقت پیشبینی مورد آزمون قرار داد. هدف اصلی این پژوهش پیشبینی نرخ بهره بین بانکی و نرخ اوراق خزانه اسلامی به عنوان شاخصهایی از نرخ بهره در ایران، در راستای تسهیل مدیریت ریسک نرخ بهره است. برای پیشبینی از دو مدل اقتصادسنجی شامل ARFIMA وARIMA استفاده شده است. به طوریکه، مدل ARFIMA با در نظرگرفتن حافظه بلندمدت و مدل ARIMA بدون در نظرگرفتن حافظه بلندمدت مدنظر قرار گرفتند. ارزیابی میزان دقت پیشبینی دو مدل مذکور با استفاده از داده‌های ماهانه نرخ بهره بین بانکی و همچنین داده‌های ماهانه میانگین نرخ اوراق خزانه اسلامی نشان می‌دهد که در خصوص هر دو دادۀ نرخ بهره بین بانکی و نرخ اوراق خزانه اسلامی ،مدل ARIMA عملکرد بهتری در مقایسه با مدل ARFIMA در پیشبینی داده‌ها دارد.
Due to the importance of predicting economic variables, different models have been created to predict the future values of variables. In fact, economic models can be tested by checking the level of forecasting accuracy. The main purpose of this study is prediction of Iran interbank offered rate and Iran treasury exchange rate as interest rates indicators for facilitating interest rate risk management. Two econometric models including ARFIMA and ARIMA have been used for forecasting. Thus, the ARFIMA model considering long-term memory and the ARIMA model without considering long-term memory have been considered. The evaluation of the prediction accuracy of the two models using the monthly Iran interbank offered rates data and also the monthly Iran treasury exchange rates data shows that both the interbank offered rates data and the Islamic treasury bond rates data, ARIMA model has a better performance compared to ARFIMA model in predicting data.
✓ ابونوری، عباسعلی، فرخی، فرداد، شجائیان، سیده فاطمه، مقایسه عملکرد شبکههای عصبی مصنوعی) ANN )
و مدل میانگین متحرک انباشته اتورگرسیو ) ARIMA ( در مدلسازی و پیشبینی کوتاهمدت روند نرخ ارز در
ایران، فصلنامۀ دانش سرمایهگذاری، مرداد 1393 .
✓ اشراقی محسن، غفاری، فرهاد، محمدی، تیمور، پیشبینی بازدهی شاخص صنعت پتروشیمی در بورس اوراق
بهادار تهران با استفاده از مدلهای ARIMA و ARFIMA ، مجله فصلنامه اقتصاد کاربردی، سال ششم، پاییز
و زمستان 1395 .
