نوسان قیمت طلا: یک رویکرد پیش بینی کننده با استفاده از مدل GARCH – شبکه عصبی مصنوعی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

نوسان قیمت طلا: یک رویکرد پیش بینی کننده با استفاده از مدل GARCH – شبکه عصبی مصنوعی

عنوان لاتین

Gold price volatility: A forecasting approach using the Artificial Neural Network–GARCH model

یکی از بیشترین روش های استفاده شده برای پیش بینی نوسان قیمت، مدل نا همگون شرطی رگرسیون خودکار تعمیم یافته می باشد. علارغم آن، خطاها در پیش بینی با استفاده از این رویکرد اغلب کاملا زیاد هستند. از اینرو، تحقیقی مداوم برای بهبود مدل های پیش بینی انجام می گردد که انواع تکنیک ها را به کار می گیرد. در این مقاله، ما حوزه سیستم های خبره، پیش بینی و مدل توسط اعمال شبکه عصبی مصنوعی (ANN) را برای روش GARPH که ANN-GARPH را تولید می کند بسط می دهید. مدل هیبرید ANN-GARPH برای پیش بینی نوسان قیمت طلا لحظه ای و اعمال می شود. نتایج حاکی از یک پیشرفت کلی در پیش بینی با استفاده از ANN-GARPH در مقایسه با روش ANN-GARPH به تنهایی می باشند. یک کاهش کلی 20 درصدی در خطای درصد متوسط میانگین با استفاده از ANN-GARPH محقق شد. نتایج با استفاده از نرخ های تسعیر یورو/دلار و ین/دلار، شاخص های بازار سهام DJI و FTSE، و بازده قیمت نفت به عنوان ورودی ها محقق می شوند. ما پیامدهای این مطالعه را در موقعیت این زمینه و همچنین برنامه های عملی مورد بحث قرار می دهیم.

One of the most used methods to forecast price volatility is the generalized autoregressive conditional heteroskedasticity (GARCH) model. Nonetheless, the errors in prediction using this approach are often quite high. Hence, continued research is conducted to improve forecasting models employing a variety of techniques. In this paper, we extend the field of expert systems, forecasting, and model by applying an Artificial Neural Network (ANN) to the GARCH method generating an ANN–GARCH. The hybrid ANN–GARCH model is applied to forecast the gold price volatility (spot and future). The results show an overall improvement in forecasting using the ANN–GARCH as compared to a GARCH method alone. An overall reduction of 25% in the mean average percent error was realized using the ANN–GARCH. The results are realized using the Euro/Dollar and Yen/Dollar exchange rates, the DJI and FTSE stock market indexes, and the oil price return as inputs. We discuss the implications of the study within the context of the discipline as well as practical applications.