مدل‌سازی پیش‌بینی نوسانات قیمت طلا در بازار جهانی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه اقتصاد، مرکز تحقیقات مدل‌سازی و بهینه سازی علوم مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

3 گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

طلا توسط سرمایه‌گذاران به عنوان پوششی (ابزاری برای حفظ ارزش پول) در برابر سایر دارایی‌های مالی استفاده شده و از این جنبه از اهمیت بسیار بالایی برخوردار است. نوسانات شدید در قیمت طلا اهمیت شناسایی و فرآیند اثرگذاری عوامل موثر بر تغییرات قیمت آن را دو چندان نموده است. بازار طلا، یکی از بازارهای پرتلاطم است، که پیش‌بینی آینده آن میتواند در تصمیم‌گیری‌ها تأثیر مثبتی بر جای بگذارد. با آگاهی از قیمت طلا و پیش‌بینی صحیح آن می‌توان فرآیند تصمیم‌گیری خرید و فروش طلا در بازارهای جهانی را تسهیل و بهترین زمان اجرای معاملات و سرمایه‌گذاری‌ها را تعیین نمود؛ لذا پیش‌بینی صحیح قیمت طلا از جهات مختلف حایز اهمیت است. در این تحقیق اقدام به مدل‌سازی پیش‌بینی نوسانات قیمت طلا در بازار جهانی شده است. تحقیق حاضر کاربردی است و از داده‌های ماهانه در بازه زمانی 2010 تا 2022 میلادی استفاده شده است. 35 عامل موثر بر ایجاد نوسانات قیمت طلا مورد ارزیابی قرار گرفتند. از رویکرد مدل‌های گارچ و نوسان تصادفی جهت استخراج نوسان قیمت طلا و از مدل‌های TVPDMA، TVPDMS و BMA جهت شناسایی مهم‌ترین متغیرهای موثر بر ایجاد نوسان استفاده شده است. بر اساس نتایج، مدل‌های SV نسبت به مدل‌های گارچ در استخراج نوسانات از دقت بالاتری برخوردارند. از میان مدل‌های TVPDMA، TVPDMS و BMA، مدل BMA از دقت بالاتری برخوردار بود. بر اساس نتایج 12 متغیر موثر شاخص دلار، قیمت نفت، واردات و صادرات طلا، نرخ بهره جهانی، شاخص رمز ارزها، RSI (شاخص قدرت نرخ بهره)، MACD (دیفرانسیل ماهیانه درصدهای حرکت متوسط)، Retracement (بازگشت فیبوناچی)، ADX (شاخص جهت در بازار)، Oscillator (نوسان سهام)، Pivot Point DeMark Pivot Point Fibonacci بالاترین احتمال حضور و سطح معناداری را در جهت پیش بینی قیمت نوسان دارا بودند. نتایج بیانگر این واقعیت هستند که عوامل داخلی موثر بر نوسانات قیمت طلا بیش از عوامل بیرونی بر این نوسانات اثرگذار می‌باشند.

کلیدواژه‌ها

موضوعات

مراجع

ابراهیمی، عرفان؛ مؤیدی، فاطمه، قاسمی، محسن. (1403). «پیش‌بینی قیمت طلا بر اساس یادگیری عمیق بازگشتی بلندمدت»؛ دومین کنفرانس ملی تحول دیجیتال و سیستم‌های هوشمند، لارستان. https://civilica.com/doc/2040036
حسینی، حسن؛ نمکی، علی. (1402). «پیش‌بینی قیمت طلا با استفاده از شبکۀ حافظۀ بلند کوتاه‌مدت LSTM»؛ نخستین همایش ملی اقتصاد هوشمند و توسعۀ مالی، تهران. https://civilica.com/doc/1816468
خانی، فاطمه؛ جعفری صمیمی، احمد؛ طهرانچیان، امیرمنصور؛ احسانی، محمدعلی. (1400). «آثار بازار پول بر بازار طلا با رویکرد پویایی‌شناسی سیستمی». مدل‌سازی اقتصادی، 15(54)، 1-19. https://journals.iau.ir/article_684491.html
سرفراز، لیلا؛ افسر، امیر. (1384). «بررسی عوامل مؤثر بر قیمت طلا و ارائۀ مدل پیش‌بینی بر مبنای شبکه‌های عصبی فازی»؛ پژوهش‌های رشد و توسعۀ پایدار (پژوهش‌های اقتصادی)، 5(16)، 149-165. https://sid.ir/paper/86705/fa
کاظم‌زاده، عماد؛ ابراهیمی سالاری، تقی؛ بهنامه، مهدی. (1398). «پیش‌بینی نرخ رشد قیمت سکۀ طلا در ایران با استفاده از الگوی رگرسیون داده‌ها با تواتر متفاوت (میداس)»؛ اقتصاد کاربردی، 9(28)، 43-53. https://sanad.iau.ir/Journal/jae/Article/804208
گرگ‌بندی، ساره؛ موسوی، سید مرتضی. (1402). «پیش‌بینی روند کوتاه‌مدت قیمت طلا در بازار فارکس با استفاده از شبکه‌های عصبی عمیق»؛ ششمین کنفرانس ملی فناوری‌های نوین در مهندسی برق و کامپیوتر، اصفهان. https://civilica.com/doc/2024194
Adekoya, O. B.; Ghaemi asl, M.; Oliyide, J. A. & Izadi, P. (2023). “Multifractality and cross-correlation between the crude oil and the European and non-European stock markets during the Russia-Ukraine war”. Resources Policy, 80(C), 103134. https://doi.org/10.1016/j.resourpol.2022.103134
Apergis, N.; Cooray, A.; Khraief, N. & Apergis, I. (2019). “Do gold prices respond to real interest rates? Evidence from the Bayesian Markov Switching VECM model”. Journal of International Financial Markets, Institutions and Money, 60, 134–148. https://doi.org/10.1016/j.intfin.2018.12.014
Bollerslev, T. (1986). “Generalized Autoregressive Conditional Heteroskedasticity”. Journal of Econometrics, 31, 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
Changani, J. G. (2024). “Factors influencing gold price movements: a time series analysis perspective”. Available at SSRN 4815102. http://dx.doi.org/10.2139/ssrn.4815102
Chiang, T. (2022). “Geopolitical risks and gold price volatility”. Journal of Risk and Financial Management, 15(4), 189–201.
Chong, T. T. & Lai, M. M. (1999). “Efficiency of the Hong Kong stock market”. Applied Financial Economics, 9(3), 293-304.
Choudhary, P. (2021). “An influence of analysis on the indian gold price with sensex and nifty in India”. Journal of Advances and Scholarly Research in Allied Education, 16(5), 1414-1419. https://ignited.in/index.php/jasrae/article/view/11122/22048
Cohen, G. & Aiche, A, (2023). “Forecasting gold price using machine learning methodologies”. Chaos, Solitons & Fractals, 175(Part 2), 114079. https://doi.org/10.1016/j.chaos.2023.114079
Daga, V. & James, L. (2020). “Effect of macroeconomic factors on the price of gold in India”. https://ijcrt.org/papers/IJCRT_192457.pdf
Dalam, A. M.; Abd-Rashid, N, K. & Padli, J. (2019). “Factors determining gold prices in Malaysia”. Universiti Malaysia Terengganu Journal of Undergraduate Research, 1(2), 75–82. https://doi.org/10.46754/umtjur.v1i2.69
Deniz, P. & Stengos, T. (2023). “Revisiting the determinants of consumption: A Bayesian model averaging approach”. Journal of Risk and Financial Management, 16(3), 1-13. http://dx.doi.org/10.3390/jrfm16030190
Ding, Q.; Huang, J.; Gao, W. & Zhang, H. (2022). “Does political risk matter for gold market fluctuations? A structural VAR analysis”. Research in International Business and Finance, 60, 101618. https://doi.org/10.1016/j.ribaf.2022.101618
Ebrahimi, E.; Moayedi, F. & Ghasemi, M. (2024). “Gold price forecasting based on long-term recurrent deep learning”. Second National Conference on Digital Transformation and Intelligent Systems, Larestan. [In Persian]. https://civilica.com/doc/2040036
Fang, L.; Chen, B.; Yu, H. & Qian, Y. (2018). “The importance of global economic policy uncertainty in predicting gold futures market volatility: A GARCH‐MIDAS approach”. Journal of Futures Markets, 38(3), 413-422. https://doi.org/10.1002/fut.21897
Gargbandi, S. & Mousavi, S. M. (2023). “Forecasting the short-term trend of gold price in the forex market using deep neural networks”. 6th National Conference on New Technologies in Electrical and Computer Engineering, Isfahan. [In Persian].  https://civilica.com/doc/1876625
Ghosh, J. K. & Samanta, T. (2001). “Model selection – An overview”. Current Science, 80(9), 1135-1144. https://www.jstor.org/stable/24105770
 
Harvey, A.; Ruiz, E. & Shephard, N. (1994). “Multivariate stochastic variance models”. The Review of Economic Studies, 61(2), 247-264. https://doi.org/10.2307/2297980
Hashim, S. L. (2022). “Analyses of factors influence the price of gold in Malaysia”. Advanced International Journal of Business, Entrepreneurship and SMEs, 4(11), 16-22. https://doi.org/10.35631/aijbes.411002
Horak, J., Vochozka, M., & Kaisler, D. (2024). “Investment instruments: The power of neural networks in predicting gold price trends”. Forum Scientiae Oeconomia, 12(1), 72-95. http://bazekon.icm.edu.pl/bazekon/element/bwmeta1.element.ekon-element-000171686264
Hoseyni, H. & Namaki, A, (2014). “Gold price forecasting using LSTM long short term memory network”. The First National Conference on Smart Economy and Financial Development, Tehran. [In Persian]. https://civilica.com/doc/1816468
Huseynli, N. (2023). “Analyzing the relationship between oil prices and gold prices before and after COVID-19”. International Journal of Energy Economics and Policy, 13(2), 373–378. https://doi.org/10.32479/ijeep.13820
Jacquier, E.; Polson, N. G. & Rossi, P. E. (2002). “Bayesian Analysis of Stochastic Volatility Models”. Journal of Business & Economic Statistics, American Statistical Association, 20(1), 69-87. https://doi.org/10.2307/1392199
Kazemzadeh, E.; Ebrahimi salari, T. & Behname, M. (2019). “Predicting the growth rate of gold coin prices in Iran using the variable frequency data regression model (MIDAS)”. Applied Economics, 9(28), 43-53. [In Persian]. https://sanad.iau.ir/Journal/jae/Article/804208
Khan, Kh.; Su, C. W. & Zhu, M. N. (2022). “Examining the behavior of energy prices to COVID-19 uncertainty: A quantile on quantile approach”. Energy, 239(E), 122430, https://doi.org/10.1016/j.energy.2021.122430
Khani, f.; Jafari samimi, A.; Tehranchian, A. M. & Ehsani, M. (2021). “The effects of money market on gold market with a systemic dynamics approach”. Journal of Economic Modelling, 15(54), 1-19. [In Persian]. https://journals.iau.ir/article_684491.html
Koop, G & Potter, S. (2024). “Forecasting in dynamic factor models using Bayesian model averaging”. The Econometrics Journal, 7(2), 550–565. https://doi.org/10.1111/j.1368-423X.2004.00143.x
Koop, G. & Korobilis, D. (2009). “Bayesian Multivariate Time Series Methods for Empirical Macroeconomics”. Working Paper series 47_09, Rimini Centre for Economic Analysis. https://ideas.repec.org/p/pra/mprapa/20125.html
 
Koop, G. & Korobilis, D. (2020). “Bayesian dynamic variable selection in high dimensions”. MPRA Paper 100164, University Library of Munich, Germany. https://dx.doi.org/10.2139/ssrn.3246472
Lee, S. W. & Kim, H. Y. (2020). “Stock market forecasting with super-high dimensional time-series data using ConvLSTM, trend sampling, and specialized data augmentation”. Expert Systems with Applications, 161, 113704. https://doi.org/10.1016/j.eswa.2020.113704
Levine, R. & Renelt, D. (1992). “A Sensitivity Analysis of Cross-Country Growth Regressions”. The American Economic Review, 82(4), 942-963. https://www.jstor.org/stable/2117352
Liya, A.; Qin, Q.; Kamran, H. W.; Sawangchai, A.; Wisetsri, W. & Raza, M. (2021). “How macroeconomic indicators influence gold price management”. Business Process Management Journal, 27(7), 2075-2087. https://doi.org/10.1108/BPMJ-12-2020-0579
Long, P. D.; Hien, B. Q. & Ngoc, P. T. B. (2022). “Impacts of inflation on the gold price and exchange rate in Vietnam: time-varying vs fixed coefficient cointegrations”. Asian Journal of Economics and Banking, 6(1), 88–96. https://doi.org/10.1108/ajeb-07-2021-0083Md
Mainal, S. A.; Mohd selamat, A. H.; Abd-Majid, N. D. S. & Noorzee, K. N. I. (2023). “Factors influencing the price of gold in Malaysia”. Information Management and Business Review, 15(3(I), 195-205. https://doi.org/10.22610/imbr.v15i3(I).3529
Md Isa, M. A.; Latif, A. R.; Nasrul, F.; Zaharum, Z. & Noh, M. K. A. (2020). “Relational study between macroeconomic variables and gold price: Latest Malaysian evidence”. Advanced International Journal of Business, Entrepreneurship and SMEs, 2(6), 01-09. https://gaexcellence.com/aijbes/article/view/174
Moral-Benito, E. (2012). “Determinants of economic growth: A bayesian panel data approach”. Review of Economics and Statistics, 94(2), 566-579. https://doi.org/10.1162/REST_a_00154
Nisarga, M. & Marisetty, N. (2023). “A study on various factors impact on the gold price in India”. Asian Journal of Economics, Business and Accounting, 23(20), 254-265. http://dx.doi.org/10.2139/ssrn.4587897
Poon, S. H. & Granger C. W. J. (2003). “Forecasting Volatility in Financial Markets: A Review”. Journal of Economic Literature, 41(2), 478–539. https://www.aeaweb.org/articles?id=10.1257/002205103765762743
Pradeep, K. V. & Karunakaran, N. (2022). “Gold price dynamics in India: A pre-postliberalization comparison”. Journal of Management Research and Analysis, 9(2), 102-107. https://www.jmra.in/html-article/16785
Qian, Y.; Ralescu, D. A. & Zhang, B. (2019). “The analysis of factors affecting global gold price”. Resources Policy, 64, 101478. https://doi.org/10.1016/j.resourpol.2019.101478
Sadeghi, M. (2019). “An investigation of technical indicators on gold price volatility: A case study of RSI, SMA, Bollinger Bands, MACD, ATR and Ichimoku Cloud”. Quarterly Journal of Financial Research, 12(3), 45–60.
Sailaja, V. N.; Kumar, A. K. & Kota, P. V. S. (2022). “A study on macro-economic variables and their impact on gold price in India”. International Journal of Development Research, 26(5), 1-16. https://www.abacademies.org/abstract/a-study-on-macro-economic-variables-and-their-impact-on-gold-price-in-india-15156.html
Sarfaraz, L. & Afsar, A. (2005). “A study of factors affecting gold price based on a Neuro-Fuzzy model of forecast”. Journal of Sustainable Growth and Development (The Economic Research), 5(16), 149-165. [In Persian]. https://sid.ir/paper/86705/en
Selvanathan, S. & Selvanathan, E. A. (2022). “The nexus between oil and gold prices during the COVID-19 pandemic”. Financial Transformations beyond the COVID-19 Health Crisis, 447-474. http://dx.doi.org/10.1142/9781800610781_0015
Tanin, T. I.; Sarker, A.; Brooks, R. & Do, H. X. (2022). “Does oil impact gold during COVID-19 and three other recent crises?” Energy Economics, 108(1), 105938. https://doi.org/10.1016/j.eneco.2022.105938
Taylor, S. J. (1986). Modelling Financial Time Series. Chichester, UK: Wiley.
Vallabh, P. (2022). “Policy uncertainty and gold price in India”. IIMA Working Paper Series, No. 2022-06-01. https://www.iima.ac.in/sites/default/files/2022-11/Policy%20Uncertainty%20and%20gold%20price%20in%20India.pdf
Wen, F; Tong, X. & Ren, X. (2022). “Gold or Bitcoin, which is the safe haven during the COVID-19 pandemic?” International Review of Financial Analysis, 81, https://doi.org/10.1016/j.irfa.2022.102121
World Gold Council. (2020). “Gold Demand Trends Full year and Q4 2020”. https://www.gold.org/goldhub/research/gold-demand-trends/gold-demand-trends-full-year-and-q4-2020/15507
Yuan, F.; Lee, C. & Chiu, C. (2020). “Using market sentiment analysis and genetic algorithm-based least squares support vector regression to predict gold prices”. International Journal of Computational Intelligence Systems, 13(1), 234-246. https://doi.org/10.2991/ijcis.d.200214.002
Zakaria, H.; Abdul-Shukur, N.; Affandi, S. & Wan-Mahmood, W. (2015). “Factors affecting the price of gold in Malaysia”. Journal of Basic and Applied Scientific Research, 5(7), 41–46. https://www.semanticscholar.org/paper/Factors-Zakaria
Zhang, P. & Ci, H. (2020). “Deep belief network for gold price forecasting”. Revue de la Politique Economique, 69(3), 1806-1830. https://doi.org/10.1016/j.resourpol.2020.101806
Zhao, Y. (2017). “Evaluating the effectiveness of technical indicators in gold market analysis: Emphasis on RSI, SMA, Bollinger Bands, MACD, ATR, and Ichimoku Cloud”. International Journal of Economics and Finance, 9(1), 55–70.
مطالعات اقتصاد بخش عمومی
دوره 3، شماره 4
دی 1403
صفحه 647-686

فایل ها

سابقه مقاله

  • تاریخ دریافت: 24 شهریور 1403
  • تاریخ بازنگری: 24 مهر 1403
  • تاریخ پذیرش: 07 آبان 1403

هم رسانی

ارجاع به این مقاله

آمار