خلاصة:
طلا به عنوان یک پوشش در برابر شرایط معکوس بازار نقشی اساسی ایفا میکند. ازاینرو، درک صحیح رفتار نوسانات قیمت طلا جهت مدیریت ریسک، اتخاذ استراتژیهای پوششی، انتخاب بهینه سبد دارایی و ... حائز اهمیت است. امروزه، مدلهای خانواده گارچ بطور گستردهای در مدلسازی فرآیند نوسانات بازدهی قیمت داراییهای مختلف مورد استفاده قرار میگیرند. 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 میپردازد. برای این منظور، از دادههای روزانه بازدهی طلا در فاصله زمانی 05/ 01/ 1382 تا 03/ 10/ 1394 استفاده شده است. خروجی نرم افزار OxMetrics6.00 نشان میدهد 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 پیشبینی 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 میگردد. نتایج نشان میدهد 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.
ملخص الجهاز:
نتايج نشان ميدهد که بر اساس هر سه معيار ميانگين مطلق خطا (MAE)، جذر ميانگين مربعات خطا (RMSE) و شاخص نابرابري تايل (TIC) مدل FIGARCH نسبت به دو مدل ديگر عملکرد بهتري در زمينه پيش بيني نوسانات سري زماني بازدهي طلاي ايران دارد.
هدف دوم ، مقايسه قدرت پيش بيني برون نمونه اي مدل هاي مذکور است که اين مهم با استفاده از سه معيار ميانگين مطلق خطا٧(MAE)، جذر ميانگين مربعات خطا٨ (RMSE) و شاخص نابرابري تايل ٩ (TIC) صورت ميپذيرد.
نتايج اين پژوهش وجود اثرات حافظه بلندمدت در سري زماني بازدهي بورس اوراق بهادار را مورد تأييد قرار داد و نيز نشان داد که مدل FIGARCH، داراي بهترين عملکرد در بين مدل هاي خانواده GARCH بوده است .
در نهايت ، با استفاده از سه معيار ميانگين مطلق خطا (MAE)، جذر ميانگين مربعات خطا (RMSE) و شاخص نابرابري تايل (TIC) قدرت پيش بيني برون نمونه اي مدل هاي مذکور مورد مقايسه قرار ميگيرد.
بدين ترتيب ، مدل FIGARCH در زمينه پيش بيني بازدهي طلاي ايران در دوره زماني تحت بررسي، عملکرد بهتري دارد و فرضيه دوّم پژوهش نيز مورد تأييد واقع ميشود.
نتايج نشان داد که بر اساس هر سه معيار ميانگين مطلق خطا (MAE)، جذر ميانگين مربعات خطا (RMSE) و شاخص نابرابري تايل (TIC) مدل FIGARCH نسبت به دو مدل ديگر عملکرد بهتري در زمينه پيش بيني نوسانات سري زماني بازدهي طلاي ايران دارد.
Long Memory Volatility of Gold Price Returns: How strong is the evidence from distinct economic cycles?, Physica A, 443: 149–160.