Abstract:
این مقاله به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیشبینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 میپردازد. در این پژوهش از مدلهای دارای حافظه کوتاه مدت GARCH و EGARCH استفاده میشود. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی مدلهای ترکیبی خانواده GARCH (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدلهای ترکیبی بازده طلا پیشبینی شده است . وهمچنین پیشبینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدلهای جاری در پیشبینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند.
Finding the best way to optimize the portfolio is one of the concerns of activists in the investment management industry. In recent years, the introduction of economic and mathematical models in the prediction of Gold indice has helped many investors to optimize portfolios. Therefore, in this study, we introduce models of GARCH family composition and convoultional neural network to predict the daily yield of Gold index will be paid during the period of 1390-1398. In this study, the Gold index is examined using GARCH and EGARCH short-term memory models. Of the two variables, the price of crude oil and the dollar index as factors that their shocks and fluctuations have a major impact on Gold indices are used as control variables. In addition to using convolutional model, considering the better performance of combined models (compared to individual models ) In anticipation In this study, all models of the GARCH family (both short and long run) with the convoultional neural network were combined and using the combined models, the efficiency of the main stock index and the five selected indicators for the next 10 days were predicted step by step and its accuracy Based on the evaluation criteria.
Machine summary:
علاوه بر بکارگيري مدل هاي حافظه کوتاه مدت ، با توجه به کارايي مدل هاي ترکيبي خانواده GARCH (در مقايسه با مدل هاي فردي) در پيش بيني داده هاي مالي، در اين مطالعه ، تمامي مدل هاي خانواده GARCH با شبکه عصبي کانولوشني ترکيب شده و با استفاده از مدل هاي ترکيبي، بازده طلا براي دوره ١٠ روزه بصورت يک گام به جلو پيش بيني و دقت آن براساس معيارهاي ارزيابي MSE,MAPE مورد بررسي قرارگرفت .
با توجه به موجود بودن اين مطالعات در پيشينه تحقيق ساير مقالات داخلي، در اين بخش صرفاً به بررسي مطالعات صورت گرفته با استفاده از مدل هاي ترکيبي شبکه عصبي و خانواده GARCH در پيش بيني نوسانات بازدهي داراييهاي مالي پرداخته ميشود.
مدل هاي خانواده GARCH براي ارائه يک تصوير مناسب از مدل هاي تلاطم ميانگين شرطي و واريانس شرطي، بازدهي سريهاي زماني به صورت r به شرط وجود اطلاعات t١به صورت زير نمايش داده ميشود: p q rt 0 i t i iat i at (2) i i1 p q E[r t 1] 0 i t i iat i at (3) i i1 80 معادله بالا نشان دهنده مدل ميانگين متحرک شرطي ARIMA است .
سپس واريانس شرطي با استفاده از مدل هاي خانواده GARCH براساس سه توزيع نرمال ، تي-استيودنت و GED تخمين زده ميشوند و به عنوان ورودي شبکه عصبي کانولوشني به همراه دو متغير کنترلي نرخ دلار و قيمت نفت استفاده ميگردد.
به دليل نرمال بودن بازدهي شاخص ها توزيع مدل ها بر اساس توزيع t و N نتايج بهتري ارائه دادند، بنابراين فرض اين پژوهش که مدل هاي ترکيبي خانواده GARCH و شبکه عصبي کانولوشني نسبت به ساير مدل ها داراي خطاي پيش بيني کمتري است ، تاييد مي شود.