پیش بینی بازده قرارداد آتی سکه طلا در بورس کالای ایران: با رویکرد مقایسه ای مدل آرچ و شبکه عصبی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 69

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JES-12-24_002

تاریخ نمایه سازی: 23 آذر 1402

چکیده مقاله:

با توجه به اهمیت و نقش طلا به عنوان ابزاری برای سرمایه گذاری، بخصوص در کشوهای درحال توسعه، روش های مختلفی برای پیش بینی بازده آتی طلا استفاده شده است. ازاین رو، هدف اصلی از پژوهش حاضر پیش بینی بازده روزانه قرارداد آتی سکه طلا در بورس کالای ایران با استفاده از مدل آرچ و شبکه عصبی است. برای این منظور، از داده-های روزانه ۲۰ قرارداد آتی سکه طلا برای دوره زمانی تیرماه ۱۳۹۲ تا شهریورماه ۱۳۹۵ که به روش «تعدیل به عقب» پیوسته شده اند، به کار گرفته شد. همچنین پس از بررسی نتایج تحقیقات پیشین از بازده قیمتی دلار، بازده قیمتی سکه طلا و بازده قیمتی طلای جهانی به عنوان متغیرهای موثر بر بازده قرارداد آتی سکه طلا استفاده شد. علاوه بر این، دقت پیش بینی این مدل ها با استفاده از معیارهای میانگین مربعات خطا، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب تعیین ارزیابی شد. نتایج پژوهش نشان داد در دوره موردبررسی، شبکه عصبی در مقایسه با مدل آرچ در پیش بینی برون نمونه بهتر عمل کرده است؛ اما بر مبنای نتایج آزمون تی زوجی، دقت پیش بینی دو مدل ازنظر آماری تفاوت معناداری نداشته است.

کلیدواژه ها:

پیش بینی بازده ، قرارداد آتی سکه طلا ، شبکه عصبی ، مدل آرچ ، مدل رگرسیون خطی چندگانه

نویسندگان

محمود یحیی زاده فر

استاد گروه مدیریت بازرگانی، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران.

شهاب الدین شمس

استادیار گروه مدیریت بازرگانی، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران.

اقدس فلاح

کارشناس ارشد مدیریت بازرگانی گرایش مالی، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bahrami, J., Mirzapour, A. & Fakari, B. (۲۰۱۴). Hedging Through ...
  • Charef, F. & Ayachi, F. (۲۰۱۶). A Comparison between Neural ...
  • Chaudhuri, T. D. & Ghosh, I. (۲۰۱۶). Artificial Neural Network ...
  • Fallah, J. & Ghaffari, F. (۲۰۱۵). The Effects of Margin ...
  • Goodarzi, M. & Amiri, B. (۲۰۱۳). A Model on Identifying Affecting ...
  • Hull, J. (۲۰۰۲). Fundamentals of Futures and Options Markets. (A. ...
  • Kocak, H. & Un, T. (۲۰۱۴). Forecasting the Gold Returns ...
  • Khosravinejad, A. A. & Shabani Sadr Pishe, M. (۲۰۱۴). An ...
  • Lovison, F. (۲۰۱۴). Technical Analysis Trading Strategy: An Application on ...
  • Memarnejad, A. & Farmanara, V. (۲۰۱۱). Forecasting of Gold Coin ...
  • Mombeini, H. & Yazdani-Chamzini, A. (۲۰۱۵). Modeling Gold Price via ...
  • Noroozpour Shahrbijari, M. & Moghaddam, A. (۲۰۱۵). Investigating of Factors ...
  • Pousti, F. & Salehi Sadaghiani, J. (۲۰۱۱). An Econometrics Method ...
  • Raei, R. & Saeedi, A. (۲۰۱۴). Fundamentals of financial Engineering ...
  • Raei, R., Honardoost, A., Salmani, Y. & Tataei, P. (۲۰۱۴). ...
  • Souri, A. (۲۰۱۳). Econometrics, Tehran: Farhangshenasi ...
  • Shams, SH. Golbabaie, A. & Dabirian, M. (۲۰۱۴). An Introduction ...
  • Saeedi, A. & Alimohammadi, SH. (۲۰۱۴). Exchange by Using GLS ...
  • Zarranejad, M. & Raoofi, A. (۲۰۱۵). Evaluation and Comparison of Forecast ...
  • نمایش کامل مراجع