کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
382088 660728 2015 7 صفحه PDF 19 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Gold price volatility: A forecasting approach using the Artificial Neural Network–GARCH model
ترجمه فارسی عنوان
نوسان قیمت طلا : یک رویکرد پیش بینی کننده با استفاده از مدل GARCH – شبکه عصبی مصنوعی
کلمات کلیدی
نوسان قیمت طلا، شبکه عصبی مصنوعی ، مدل های GARPH
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2.    مرور ادبیات

3.    روش شناسی و داده

4.    تحلیل نتایج

جدول 1. آمار توصیفی بازده های لگاریتمی قیمت های طلا

جدول 2. آمار توصیفی متغیرهای مستقل

جدول 3. ماتریس همبستگی بین متغیرهای مستقل و نوسان برای افق های مختلف

جدول 4. نتایج عملکرد برای مدل های پیش بینی

جدول 5. نتایج عملکرد برای مدل های پیش بینی برای افق های مختلف پیش بینی

جدول 6. نتایج عملکرد برای مدل های پیش بینی برای افق های مختلف پیش بینی با دو سال داده در ورودی

جدول 7. نتایج عملکرد برای مدل های پیش بینی توسط دورها

5.    نتیجه گیری
ترجمه چکیده
یکی از بیشترین روش های استفاده شده برای پیش بینی نوسان قیمت، مدل نا همگون شرطی رگرسیون خودکار تعمیم یافته می باشد. علارغم آن، خطاها در پیش بینی با استفاده از این رویکرد اغلب کاملا زیاد هستند. از اینرو، تحقیقی مداوم برای بهبود مدل های پیش بینی انجام می گردد که انواع تکنیک ها را به کار می گیرد. در این مقاله، ما حوزه سیستم های خبره، پیش بینی و مدل توسط اعمال شبکه عصبی مصنوعی (ANN) را برای روش GARPH که ANN-GARPH را تولید می کند بسط می دهید. مدل هیبرید ANN-GARPH برای پیش بینی نوسان قیمت طلا (لحظه ای و )اعمال می شود. نتایج حاکی از یک پیشرفت کلی در پیش بینی با استفاده از ANN-GARPH در مقایسه با روش ANN-GARPH به تنهایی می باشند. یک کاهش کلی 20 درصدی در خطای درصد متوسط میانگین با استفاده از ANN-GARPH محقق شد. نتایج با استفاده از نرخ های تسعیر یورو/دلار و ین/دلار، شاخص های بازار سهام DJI و FTSE، و بازده قیمت نفت به عنوان ورودی ها محقق می شوند. ما پیامدهای این مطالعه را در موقعیت این زمینه و همچنین برنامه های عملی مورد بحث قرار می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی


• In this study, a hybrid model is analyzed to predict the price return volatility of the gold spot price and future price.
• The hybrid model used is a ANN–GARCH model.
• The incorporation of the ANN over the best GARCH model with regressors prediction reduces the error increasing the precision of the price return volatility forecasting.
• It was possible to determine the influence of financial variables into the gold price return volatility.

One of the most used methods to forecast price volatility is the generalized autoregressive conditional heteroskedasticity (GARCH) model. Nonetheless, the errors in prediction using this approach are often quite high. Hence, continued research is conducted to improve forecasting models employing a variety of techniques. In this paper, we extend the field of expert systems, forecasting, and model by applying an Artificial Neural Network (ANN) to the GARCH method generating an ANN–GARCH. The hybrid ANN–GARCH model is applied to forecast the gold price volatility (spot and future). The results show an overall improvement in forecasting using the ANN–GARCH as compared to a GARCH method alone. An overall reduction of 25% in the mean average percent error was realized using the ANN–GARCH. The results are realized using the Euro/Dollar and Yen/Dollar exchange rates, the DJI and FTSE stock market indexes, and the oil price return as inputs. We discuss the implications of the study within the context of the discipline as well as practical applications.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 20, 15 November 2015, Pages 7245–7251
نویسندگان
, ,