پیش‌بینی نرخ رشد قیمت سکه طلا در ایران با استفاده از الگوی رگرسیون داده‌ها با تواتر متفاوت (میداس)

محورهای موضوعی : اقتصاد کاربردی

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

تاریخ دریافت : 1397/08/18 تاریخ پذیرش : 1398/03/09 تاریخ انتشار : 1398/03/01

کلید واژه: پیش بینی قیمت طلا, الگوی داده‌های ترکیبی با تواتر, میداس,

چکیده مقاله :

سرمایه‌گذاری در بازارهای طلا به دلایل مختلفی از جمله کسب سود، حفظ ارزش دارایی، جواهرات، پزشکی صورت می‌گیرد. به همین منظور پیش بینی قیمت طلا مورد توجه قرار گرفته است. در گذشته از روش‌های مختلفی برای پیش بینی قیمت طلا استفاده شده است. در این پژوهش ما برای این منظور از الگوی داده‌های ترکیبی با تواتر متفاوت که این امکان را فراهم می‌کند که متغیرهای سری زمانی بصورت سالانه، فصلی، ماهانه و حتی روزانه در کنار هم در یک رگرسیون قرار گیرند، استفاده شده است. برآورد الگوها با استفاده از نرم افزار R در محدوده فصل سوم 1376 تا فصل سوم 1396 استفاده شده است. در ابتدا از داده‌های فصل سوم 1396 استفاده نشده است تا بتوان قدرت پیش بینی مدل را خارج از محدوده برآورد مورد ارزیابی قرار داد. نتایج نشان داد که پیش بینی اولیه برای فصل سوم 1396 بدون وارد کردن داده‌های ماهانه مربوط به این فصل رشد 8.92 را نسبت به فصل قبل نشان می‌دهد که با مقایسه آن با قیمت واقعی خواهیم دید که مدل از قدرت پیش بینی بالایی برخوردار است. پس از واردکردن داده‌های ماه‌های مهر ، آبان و آذر به ترتیب دقت پیش بینی بالاتر رفته و به قیمت واقعی بسیار نزدیک‌تر شده است. در آخر به پیش بینی قیمت طلا برای فصل چهارم 1396 با استفاده از داده‌ها تا فصل پاییز می‌پردازیم که نتیجه پیش بینی نشان از رشد 11.72 برای این فصل نسبت به فصل پاییز نشان می‌دهد.

منابع و مأخذ:

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.