عنوان پایان‌نامه
پیش بینی نوسانات بازده طلا با استفاده از مدل گارچ نا پارامتری و مقایسه با مدل های گارچ پارامتری
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61647
- تاریخ دفاع
- ۳۰ مهر ۱۳۹۲
- دانشجو
- امید هداوندمیرزائی
- استاد راهنما
- سعید فلاح پور
- چکیده
- در سال های اخیر به دلیل رکود در کشورهای غربی و به تبع آنها در دیگر کشورها دارایی هایی از قبیل طلا مورد استقبال سرمایه گذاران قرار گرفت. این افزایش تقاضا باعث افزایش قیمت طلا گردید. به دنبال آن خرید و فروش در بازار طلا افزایش یافت. این افزایش در معاملات باعث بروز نوسانات شدیدی در این بخش شد. اینجاست که استفاده از مدل پیش بینی نوسانات لازم می نماید. تعیین مدلی که پیش بینی بهتری از نوسانات قیمتی در بخش های سرمایه گذاری و مالی بدهد، از حوزه های مورد بحث در ادبیات مالی است. در این زمینه مدل هایی ارائه شده و هرکدام مزایا و معایبی دارد. این مدل ها به خصوص در زمینه قیمت نفت خام و نرخ ارز مقالاتی را به خود اختصاص می دهد. از بین مدل های مختلف، مدل های خانواده گارچ در این زمینه پرکاربردتر بوده اند. ما نیز از این روند در کاربرد روش ها بهره برده ایم. در این تحقیق ابتدا سری بازده قیمتی طلا تحت آزمون های مختلف بررسی می شود. یک رویکرد ناپارامتریک از روش گارچ که اولین بار توسط بولمن و مکنیل در سال 2002 ارائه شد، برای پیش بینی نوسانات مورد استفاده قرار می گیرد و با استفاده از دو تابع خطای پیش بینی با مدل های دیگر گارچ که مدل های پارامتریک هستند، مورد مقایسه قرار می گیرد. نتایج حاصل از این پژوهش نشان داد که مدل گارچ ناپارامتری از نظر تابع خطای QLIKE به طور معناداری عملکرد بهتری از سایر مدل های گارچ دارد. اما از نظر تابع خطای MSE ، نمی توان اظهار نظر کرد.
- Abstract
- In recent years, investment in gold has been remarkable for investors because of a recession in stock exchange. This increase in demand of gold caused increase in gold price. Because of increase in gold price, dealing of gold expanded and so volatility of gold price return increased intensly. So we have to use a model to predict volatility beside return to make decision for investment. Find a model that it can do a better forecast of price return volatility is a debatable topic in the finance literature. Around this topic some models have been presented and these models have some advantages and disadvantages. These models have been applied for predict of volatility of crude oil and exchange rate more than other fields. Between all models, GARCH models have been more applicable than others. So we use this group of models too, but in a different way. This way is a nonparametric approach to GARCH model that presented by Buhlman and McNeil for first time in 2002. In this research we use this approach to forecast volatility of gold price return and compare it with other GARCH models by two loss function (QLIKE-MSE). The result of this research shows that nonparametric GARCH has a better performance than the other GARCH models based on QLIKE loss function with a statistical significance, but based on MSE loss function we can’t judge.
