انتخاب مدل بهينه جهت توصيف و پيش بيني نوسانات بازدهي طلا در بازار ايران : مقايسه مدل هاي گارچ متعارف، انباشته و انباشته كسري

Choosing an optimal Model for Explaining & Forecasting the Volatility of Iranian Gold Price Returns: a Comparison of GARCH, IGARCH & FIGARCH Models

طلا به عنوان يك پوشش در برابر شرايط معكوس بازار نقشي اساسي ايفا ميكند. ازاينرو، درك صحيح رفتار نوسانات قيمت طلا جهت مديريت ريسك، اتخاذ استراتژي هاي پوششي، انتخاب بهينه سبد دارايي و ... حائز اهميت است. امروزه، مدل هاي خانواده گارچ بطور گستردهاي در مدل سازي فرآيند نوسانات بازدهي قيمت دارايي هاي مختلف مورد استفاده قرار ميگيرند. اين مقاله به مقايسه سه مدل GARCH(1,1)، IGARCH(1,1)و FIGARCH(1,d,1) در ارزيابي رفتار نوسانات قيمت طلا در بازار طلاي ايران ميپردازد. براي اين منظور، از داده هاي روزانه بازدهي طلا در فاصله زماني 05/01/1382 تا 03/10/1394 استفاده شده است. خروجي نرم افزار OxMetrics6.00 نشان مي دهد كه تصريح FIGARCHبهترين مدل جهت تعيين همبستگي نوسانات بازدهي طلا است. همچنين، پارامتر حافظه بلندمدت، مثبت و به لحاظ آماري معنادار است. در نتيجه، حافظه بلندمدت يك ويژگي مهم بازدهي نوسانات طلا بوده و بايد در تصميمات سرمايه گذاري مدنظر قرار گرفته شود. در نهايت، براي مقايسه دقت سه مدل مذكور در زمينه پيشبيني نوسانات بازدهي طلا، كل دوره به دو زير دوره(زير دوره اول شامل مشاهدات درون نمونهاي و زير دوره دوم شامل مشاهدات برون نمونه اي) تقسيم مي گردد. نتايج نشان ميدهد كه 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 عملكرد بهتري در زمينه پيش بيني نوسانات سري زماني بازدهي طلاي ايران 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.