بررسي تاثير فركانس داده ها بر قدرت پيش بيني الگوهاي با حافظه بلند مدت و كوتاه مدت: كاربرد در تلاطم بازار جهاني نفت

The Impact of Different Data Frequency on Prediction Powers of Various Short- and Long Memory Models: an application to Oil Market Volatility

محققان زيادي از مدل هاي مختلف براي پيش بيني تلاطم در بازار كالا و سرمايه استفاده كرده اند. هر چند تعداد اندكي از اين تحقيقات به نقش فركانس داده ها در پيش بيني هاي خود توجه كرده اند. همچنين هيچكدام از اين تحقيقات امكان وجود حافظه بلند مدت در پيش بيني تلاطم قيمت نفت را در نظر نگرفته اند. ما به منظور پركردن اين شكاف در پژوهش ها دسته اي از الگوهاي خانواده GARCH و ARFIMA (الگوهايي با حافظه بلند مدت و كوتاه مدت) را با استفاده از فركانس هاي مختلف داده اي تخمين زده ايم. براساس معيار ريشه ميانگين مربع خطا، فارغ از نوع الگو، الگوها تخميني با استفاده از داده با فركانس بالاتر بر الگوهاي تخميني با داده هاي فركانس كمتر برتري داشتند. نتايج همچنين نشان داد در يك سطح از فركانس داده ها قدرت پيش بيني مدل هاي خانواده GARCH و مدل ARFIMA يكسان است. خلاصه آنكه پيشنهاد مي كنيم جهت پيش بيني تلاطم بازار نفت از الگوهاي با حافظه كوتاه مدت و بالاترين فركانس داده اي استفاده شود. از اينرو به نظر مي رسد الگوي GARCH مناسب توانايي انجام اين كار را داشته و نيازي به استفاده از الگوي ARFIMA نيست.

Many researchers have used different methods to forecast the volatility of goods and capital markets. However, only few have taken into account the importance of data frequency on their predictions. However, none of them have considered the possibility of long run memory in predicting the volatility of oil market. In order to fill this gap in the literature, we have estimated a class of ARFIMA and GARCH models (long- and short-run memory models) with different data frequency to predict oil market volatility. Based on Root Mean Square Error (RMSE) criterion, irrespective of models' type, all models with high frequency data outperform the low frequency data models. The result also shows that at each frequency level, the prediction powers of both ARFIMA and GARCH models are the same. To sum up, we suggest the use of short-run memory model with high frequency data to forecast volatility of oil market. Hence, it seems a proper GARCH model can do the job and there is no need to use ARFIMA model for this purpose.