بررسی فصلی ، مداخله سیاست و پیش بینی در بازار آینده طلای هند: مقایسه ای بر اساس مدل سازی واریانس غیر ثابت با استفاده از دو روش مختلف

این مطالعه بر بازار آینده طلای هند متمرکز شده است که شرکت کنندگان اصلی برای دارایی زیربنایی ارزش احساساتی دارند و از نظر بزرگترین دارایی های خصوصی در شکل فیزیکی در سطح جهانی قرار دارند. تجارت آینده طلا مربوط به فصول ، جشن و سیاست دولت است. بنابراین ، این مقاله در مورد فصلی و مداخله در تجزیه و تحلیل بحث خواهد شد. با توجه به واریانس غیر ثابت ، ما همچنین از روش تدوین تثبیت واریانس استاندارد و روش مدل سازی ARIMA/GARCH برای مقایسه عملکرد پیش بینی شده در قیمت های آینده طلا استفاده خواهیم کرد. نتایج حاصل از تجزیه و تحلیل نشان می دهد که در حالی که روش تبدیل واریانس استاندارد ممکن است مقادیر پیش بینی نقطه بهتر را ارائه دهد ، روش مدل سازی ARIMA/GARCH فواصل پیش بینی بسیار کوتاه تری را فراهم می کند. نتایج تجربی این مطالعه که تأثیر فصلی در بازار مشتق شمش هند را منطقی می کند ، در ادبیات گزارش نشده است.

معرفی

یک قرارداد آتی توافق بین دو طرف برای انتقال مالکیت یک دارایی اساسی در یک زمان ثابت در آینده است. این یک قرارداد استاندارد است ، بنابراین تجارت از طریق مبادله صورت می گیرد. مقدار اساسی طلای فیزیکی در مورد قرارداد آتی طلا است. این نوع قرارداد مالی به عنوان بیمه ای برای سرمایه گذار عمل می کند زیرا به آنها امکان می دهد از حرکات قیمت مطلوب بهره مند شوند و به عنوان پرچین در برابر ریسک مالی سیستمیک (Kou et al. 2019) در حین حرکات نامطلوب قیمت آینده (Choudhry et al. 2015 ؛اقبال 2017). شواهدی وجود دارد که نشان می دهد فلزات نقش مهمی در متنوع سازی خطر دارند (بکمن و همکاران 2015 ؛ لاغر و وونگ 2015 ؛ داسکلاکی و همکاران 2017 ؛ آلخازالی و زوبی 2020).

پیش بینی قیمت های آینده یک مؤلفه جدایی ناپذیر از یک استراتژی معاملاتی سودآور آینده است. از این نظر ، این مقاله از یکی از محبوب ترین روش ها برای پیش بینی و تجزیه و تحلیل اقتصاد سنجی ، یعنی مدل های ARIMA استفاده می کند (Box and Jenkins 1970 ؛ Al-Shaib 2006 ؛ Box et al. 2016 ؛ Guha and Bandyopadhyay 2016 ؛ Challa et al. 2018؛ Mallikarjuna and Rao 2019 ؛ Challa et al. 2020 ؛ Dong et al. 2020). تأثیرات فصلی در بازار طلا رواج دارد (Ball et al. 1982 ؛ MA 1986 ؛ Lucey and Tully 2006 ؛ Wang et al. 2019 ؛ Xiao و Maillebuau 2020) و به اثر هالووین نسبت داده می شوند (بومان و ژانگسن 2002 ؛ ژانگو Jacobsen 2013 ؛ Pariyaprasert and Boonchuaymetta 2018 ؛ Schmidbauer and Rosch 2018) ، اثر تقویم (Jain 2019) ، فصل جشنواره در هند (منبع: گزارش شورای جهانی طلا) ، ساعت های نور روز (کامسترا و همکاران 2003) و The Daylight (کامسترا و همکاران 2003) واثر پاییز (Baur 2013).< PAN> پیش بینی قیمت های آتی یک مؤلفه جدایی ناپذیر از یک استراتژی معاملاتی سودآور آینده است. از این نظر ، این مقاله از یکی از محبوب ترین روش ها برای پیش بینی و تجزیه و تحلیل اقتصاد سنجی ، یعنی مدل های ARIMA استفاده می کند (Box and Jenkins 1970 ؛ Al-Shaib 2006 ؛ Box et al. 2016 ؛ Guha and Bandyopadhyay 2016 ؛ Challa et al. 2018؛ Mallikarjuna and Rao 2019 ؛ Challa et al. 2020 ؛ Dong et al. 2020). تأثیرات فصلی در بازار طلا رواج دارد (Ball et al. 1982 ؛ MA 1986 ؛ Lucey and Tully 2006 ؛ Wang et al. 2019 ؛ Xiao و Maillebuau 2020) و به اثر هالووین نسبت داده می شوند (بومان و ژانگسن 2002 ؛ ژانگو Jacobsen 2013 ؛ Pariyaprasert and Boonchuaymetta 2018 ؛ Schmidbauer and Rosch 2018) ، اثر تقویم (Jain 2019) ، فصل جشنواره در هند (منبع: گزارش شورای جهانی طلا) ، ساعت های نور روز (کامسترا و همکاران 2003) و The Daylight (کامسترا و همکاران 2003) واثر پاییز (BAUR 2013) . Forecasting قیمت های آتی یک مؤلفه جدایی ناپذیر از یک استراتژی معاملاتی سودآور آینده است. از این نظر ، این مقاله از یکی از محبوب ترین روش ها برای پیش بینی و تجزیه و تحلیل اقتصاد سنجی ، یعنی مدل های ARIMA استفاده می کند (Box and Jenkins 1970 ؛ Al-Shaib 2006 ؛ Box et al. 2016 ؛ Guha and Bandyopadhyay 2016 ؛ Challa et al. 2018؛ Mallikarjuna and Rao 2019 ؛ Challa et al. 2020 ؛ Dong et al. 2020). تأثیرات فصلی در بازار طلا رواج دارد (Ball et al. 1982 ؛ MA 1986 ؛ Lucey and Tully 2006 ؛ Wang et al. 2019 ؛ Xiao و Maillebuau 2020) و به اثر هالووین نسبت داده می شوند (بومان و ژانگسن 2002 ؛ ژانگو Jacobsen 2013 ؛ Pariyaprasert and Boonchuaymetta 2018 ؛ Schmidbauer and Rosch 2018) ، اثر تقویم (Jain 2019) ، فصل جشنواره در هند (منبع: گزارش شورای جهانی طلا) ، ساعت های نور روز (کامسترا و همکاران 2003) و The Daylight (کامسترا و همکاران 2003) واثر پاییز (Baur 2013).

مسائل رفتاری مانند احساسات سرمایه گذار نقش مهمی در قیمت های طلا دارد (آگگروال و لوسی 2007). سرمایه گذاری در طلا همیشه به دلیل ارتباط فرهنگی و عینیت آن به عنوان یک سرمایه گذاری مالی امن ، از نظر احساساتی بسیار زیادی برای هندی ها بوده است. در نتیجه ، هند در رتبه دوم در دارایی های طلای خصوصی قرار دارد (منبع: گزارش NITI AAYOG). هنگامی که نیاز اقتصادی داخلی با بازار بین المللی برای کشف قیمت کارآمد و مدیریت ریسک مرتبط باشد ، موقعیت یک مصرف کننده بزرگ تقویت می شود. حضور یک بازار نقطه تعیین شده ، اعضای زنجیره ارزش هند را فرصتی می دهد تا خطر قیمت را از طریق بازار آتی جبران کنند. بازار آینده طلا به سرمایه گذاران این امکان را می دهد تا با پرداخت حاشیه های اولیه کوچک ، بازده بالاتر ، موقعیت ها را به دست آورند و این تفاوت را می توان در اوراق قرضه دولتی بدون ریسک سرمایه گذاری کرد. این انگیزه اضافی برای سرمایه گذاری در بازده با ریسک صفر ، در هنگام نگه داشتن یک سبد حاوی قرارداد آینده طلا ، بر خلاف سرمایه گذاری سهام و صندوق های مبادله ای از طلا (ETF) امکان پذیر است. نقش طلا به عنوان یک نیروی تثبیت کننده در سیستم مالی در طول شوک های بازار (Baur and McDermott 2010 ، 2016) لزوم بررسی خصوصیات نوسانات دارایی را برجسته می کند. درک و توضیح رفتار نوسانات کالا ضروری است زیرا در طراحی استراتژی های بهینه محافظت برای مشتقات مانند آینده و گزینه ها مفید است (فرانسوی و همکاران 1987 ؛ چو 1988 ؛ کوکاسلان و همکاران 2017 ؛ شاکیل و همکاران 2018 ؛ مو و همAl. 2018). تجزیه و تحلیل باقیمانده ها پس از قرار دادن یک مدل ARIMA ممکن است نیاز به مدل های نوسانات (پینگ و همکاران 2013 ؛ تودوروا 2017) و پیش بینی نوسانات برای کمک به تصمیمات سرمایه گذاری را نشان دهد (سامویلان و شانون 2008 ؛ Thupayagale 2014 ؛ Mukherjee and Goswami 2017 ؛ Emenoguو همکاران 2020).

در هند ، تجارت در آینده طلا از سال 2003 آغاز شد و قرارداد مشتق در ابتدا در مبادله چند کالای هند (MCX) ذکر شد و تحت بخش مشتقات کالا در بورس اوراق بهادار ملی (NSE) و بورس بمبئی (BSE) در راه اندازی شد. 2018. بنابراین ، MCX 95 ٪ از تجارت را تشکیل می دهد. قیمت نقطه ای در MCX برای قراردادهای طلا از نظرسنجی یک هیئت نمایندگان از زنجیره ارزش بازار فیزیکی به دست آمده است ، با این که بازی های سابق دو بار در روز انجام می شود (12. 15 بعد از ظهر تا 12. 45 بعد از ظهر و 4. 00 بعد از ظهر تا 4. 30 بعد از ظهر)بشرقیمت سابق-احمدآباد است که مبتنی بر محل تحویل و ساختار مالیاتی پایین تر است ، اگرچه دومی پس از تحمیل کالا و مالیات خدمات (GST) در سال 2017 بی ربط است. قیمت آن را حذف می کند. مالیات اضافی دیگر.

حجم تجارت در آینده طلا به نصف سقوط کرد و در پنج سال گذشته راکد باقی مانده است. این به دلیل تحمیل مالیات معاملات کالا (CTT) 0. 01 ٪ در بودجه اتحادیه 2013-2014 است. در حالی که تحمیل مالیات معامله به بازار آتی کالاها باعث کاهش معاملات سوداگرانه می شود ، ممکن است نتواند نوسانات قیمت را در آینده یا بازارهای نقطه ای کاهش دهد (ادواردز 1993). در زمینه هند ، مشاهده می شود که مالیات معاملات برای اپراتورهای موجود در بازار کالاها سنگین خواهد بود و به عنوان بازدارنده ورود به پرچین هایی که ممکن است تصمیم بگیرند به سیستم عامل های غیرقانونی تغییر کنند ، عمل می کنند (پاسکار و غوش 2008). نقدینگی در بازار مشتقات کالاهای هند در نیمه اول 2018-2019 از یک کاهش مداوم در طی سالهای 2015-2018 شروع به بهبودی کرد. گزارشی که در سه ماهه آخر سال مالی 2019-2020 منتشر شده است نشان می دهد که بازده از صندوق های طلای هند در یک سال گذشته 27 درصد رشد داشته و در سه سال گذشته 11. 93 ٪ افزایش یافته است (منبع: زمان اقتصادی) این شواهد نشان می دهد که سرمایه گذاریدر محصولات سرمایه گذاری طلای هند یک گزینه متنوع سازی نمونه کارها خوب است و تحلیلگران سرمایه گذاری و مدیران صندوق ممکن است وسوسه شوند که بیش از 10 ٪ محتاطانه اختصاص دهند. بنابراین ، مطالعه ما با هدف کمک به مدیران صندوق با مدل سازی نوسانات با استفاده از مدل های پیش بینی سری زمانی مورد استفاده در تخمین ارزش در ریسک (VAR) ، که اندازه گیری خطر ضرر برای سرمایه گذاری است ، انجام شده است.

از مقدمه فوق در مورد بازار طلای هند ، ما اهمیت یافتن روشهای مناسب برای تجزیه و تحلیل این سری زمانی و تأثیر فصلی ، مداخله ، نوسانات و پیش بینی را مشاهده می کنیم. بنابراین ، فرقه2 مدل های سری زمانی فصلی ، یک آزمایش مداخله و روش هایی برای توصیف واریانس های غیر ثابت را معرفی می کند. بخش 3 در مورد عملکرد پیش بینی روشهای مختلف سری زمانی و فرقه بحث می کند. 4 اظهارات نتیجه گیری را ارائه می دهد.

روش شناسی مدل سازی

در این مقاله ، ما از یک رویکرد سری زمانی برای ساختن یک مدل آماری در یک سری زمانی غیر همگن و غیر ایستگاه پس از گرفتن یک درجه مناسب از تغییر و تحولات تثبیت کننده واریانس استفاده می کنیم. در تجزیه و تحلیل اولیه ما ، ما سری زمان ، عملکرد همبستگی و عملکرد همبستگی جزئی را برای داده های ماهانه ترسیم می کنیم تا حضور فصلی را مشاهده کنیم. بر اساس نتایج حاصل از تجزیه و تحلیل اولیه ما ، ما مدل هایی را می سازیم تا اثرات فصلی و مداخله موجود در این سری را در خود جای دهیم. با این حال ، برای مقایسه و استنباط پیش بینی ، ما فقط از آن مدل هایی استفاده می کنیم که پارامترهای آنها از نظر آماری معنی دار هستند. علاوه بر این ، توزیع خطا برای مدل پیشنهادی با واریانس غیر ثابت نیز مورد بررسی قرار گرفته و نتایج جدول بندی می شود.

هدف این مقاله مقایسه روشهای مورد استفاده برای پیش بینی قیمت های آینده و پیشنهاد روش بهینه است که برای پزشکان مفید است. برای به دست آوردن نتایج معنی دار از طریق پیش بینی ، مدل سازی تکامل تاریخی این سریال در طول زمان ضروری است. بنابراین ، ما از یک رویکرد سری زمانی برای ترکیب ویژگی های متمایز این سری داده ها در ساخت مدل استفاده می کنیم.

اجازه دهید z_حرفدنباله ای باشد که نشانگر سری زمانی ماهانه تحت تجزیه و تحلیل است. داده های مورد استفاده ، قیمت بسته شدن قرارداد مشتق با عنوان تبادل کالای هندوستان هندوستان طلای طلای هند است ادامه آینده 1 (RIC: MAUC1) و از ژانویه 2005 تا ژانویه 2019 از پلت فرم Thomson Reuters Eikon به دست می آید. این یک سری زمان استبسته شدن قیمت با توجه به بازپرداخت قراردادها در روز پنجم ماه انقضا قرارداد. واحد تجارت 1 کیلوگرم و مقدار نقل قول 10 گرم است. داده ها به یک سری ماهانه تبدیل شده است. بنابراین ، واحد زمان T ، مورد استفاده در این تجزیه و تحلیل ماه ها است. فرقه ارزی که برای نشان دادن قیمت بسته شدن استفاده می شود ، روپیه هند است. کل مجموعه داده ها از ژانویه 2005 (T = 1) تا ژانویه 2019 (T = 169) است که در شکل 1 نشان داده شده است. ما از 156 مشاهده اول برای تجزیه و تحلیل مدل سازی و مشاهدات باقی مانده برای مقایسه پیش بینی استفاده خواهیم کرد.

طرح سری قیمت ماهانه ، Z_حرف

از شکل 1 می بینیم که داده های ماهانه روند فزاینده ای دارند. با این حال ، ما علاقه مند به تجزیه و تحلیل هستیم که آیا الگوی فصلی مشاهده شده در بازار طلای نقطه در بازار آینده طلا و در غیر ثابت بودن سری قیمت ها مشهود است. ما توابع همبستگی و همبستگی جزئی سری ماهانه متفاوت فصلی را ترسیم می کنیم تا ادعای خود را در مورد فصلی تأیید کنیم. تأثیر فصلی با دوره فصلی ، S = 12 ، در توطئه های نشان داده شده در شکل 2 مشهود است.

طرح همبستگی و همبستگی جزئی سری قیمت های آینده طلای فصلی متفاوت

پس از آن ، ما آزمایش مشهور Dickey-Fuller (ADF) مشهور (Dickey et al. 1984) را انجام می دهیم تا حضور یک ریشه واحد را در یک سری زمانی فصلی بررسی کنیم. نتیجه در جدول 1 آورده شده است ، با مقادیر p کمتر از 0. 05 نشان می دهد که هم به طور منظم و هم به تفاوت های فصلی مورد نیاز است.

یک روش خوب مدل سازی سری زمانی ، مشهور Box-Jenkins Multiplicative Model Arima Model ( سمت چپ ( راست) Times< ext<(P, D, Q)>>_)

$$<Phi>_ left(> راست) phi_

left( B ight)left( ight)^ left(> راست)^ dot_ = theta_ چپ (b راست)<Theta>_ left(> درست) a_ ، $ $

کجا (i) (<varvec<phi>>_>> left(> ight)) and (>_>> left(> راست) ) چند جملهای متوسط خودجوش و در حال حرکت به ترتیب به ترتیب P و Q به ترتیب ، (<<varvec<Phi>>>_>>ترک کرد(<>^>>> راست) ) و (<<varvec<Theta>>>_>>ترک کرد(<>^>>> RIGHT) ) به ترتیب چند جملهای خود در حال حرکت فصلی و در حال حرکت به ترتیب از سفارشات P و Q ، شاخص های فرعی S به دوره فصلی اشاره دارد.(ب)

جایی که ( mu ) میانگین ثابت (z_ ؛ ) و (iii) (a_ ) است که توالی متغیرهای تصادفی مستقل با میانگین صفر و واریانس ثابت است ( sigma_^. )

یک روش ساده برای یافتن اینکه آیا یک سری دارای واریانس ثابت است ، بررسی نقشه مربع های باقیمانده پس از اتصالات مدل اولیه است. شکل 3 از مربع های باقیمانده پس از اتصالات مدل اولیه Arima به وضوح نشان می دهد که واریانس ثابت نیست.

نقشه مربع های باقیمانده مدل در Eq.(11) از اتصالات مدل اولیه

دو رویکرد برای حل مسئله واریانس غیر ثابت وجود دارد: رویکرد اول تحول قدرت است.

معرفی شده توسط Box and Cox (1964) ، جایی که در عمل مقدار ( lambda ) اغلب از مجموعه به عنوان نمونه ای انتخاب می شود که یک مدل با حداقل معیار اطلاعات Akaike (AIC) و/یا معیار اطلاعات بیزی را به دست می آورد (BIC).

رویکرد دیگر اولین موردی است که توسط (بولرزف 1986) پیشنهاد شده است ، جایی که Eq.(1) بازنویسی می شود

$$<Phi>_ left(> راست) phi_

left( B ight)left( ight)^ left(> راست)^ dot_ = theta_ چپ (b راست)<Theta>_ left(> درست) n_ ، $ $

و ما روند خطای کلی تری داریم

جایی که (e_ ) متغیرهای تصادفی i. i. d با میانگین صفر و واریانس یک ، مستقل از تحقق گذشته (n_ ، ) هستند

$ $ sigma_^ = theta_ + phi_ sigma_^ + cdots + phi_ sigma_^ + theta_ n_^ + cdots + theta_ n_^ ,$$

and the roots of (left( B - ldots - phi_ B^> ight) = 0) are outside the unit circle. To guarantee (sigma_^)> 0, we assume that ( heta_)>0 و آن ( phi_ ) و ( theta_ ) غیر منفی هستند. مدل در (4) با خاصیت در (5) به عنوان ناهمگونی مشروط مشروط (GARCH) از نظم (R ، S) شناخته شده است و توسط Garch (R ، S) (WEI 2006) مشخص شده است (فصل 15)بشر

اکنون دو رویکرد را در زیر بخش های زیر نشان خواهیم داد.

رویکرد تحول قدرت

در این زیر مجموعه ، ما عملکرد تحول قدرت را که در Eq ذکر شده است ، اعمال می کنیم.(2) برای تثبیت واریانس خطای غیر ثابت. بر اساس حداقل AIC و/یا BIC آورده شده در جدول 2 به دست آمده از یک برنامه SAS ، این نشان می دهد که یک ریشه مربع از سری برای یک واریانس ثابت است.

یک مدل آریما فصلی برای سری تبدیل شده ریشه مربع

پس از تفاوت منظم و فصلی ، توطئه های همبستگی و همبستگی جزئی از سری تبدیل شده نشان داده شده در شکل 4 ، یک مدل ARIMA فصلی از نظم را نشان می دهد (3 ، 1). سپس مدل را می توان به شرح زیر نوشت

جایی که (1) T از 1 تا 156 ، (2) S = 12 ، 24 ، 36 ، (3) B اپراتور پشتی است ، (4) (A_ ) یک توالی از مستقل مستقل است که به طور عادی توزیع می شودمتغیرها با میانگین صفر و واریانس ثابت ( sigma _^).

طرح همبستگی و همبستگی جزئی از سری قیمت های آینده طلای تغییر یافته و فصلی متفاوت

The parameter estimates of the coefficients to the above fitted model are obtained. After removing the non-significant seasonal autoregressive coefficients associated with (B^>B^) ، مدل به دست آمده:

طرح همبستگی و همبستگی جزئی باقیمانده از مدل در معادله.(7)

مداخله را در سری تبدیل شده با ریشه مربع بررسی کنید

تجزیه و تحلیل مداخله یک روش مفید برای بررسی تأثیر یک رویداد خارجی است که باعث تغییر سطح در سری زمانی می شود (Box and Tiao 1975). در مطالعه ما ، تأثیر مالیات معروف به CTT را بر روی این سری بررسی خواهیم کرد ، که به عنوان یک عملکرد مرحله نشان داده شده و در مدل گنجانده شده است. در این بخش ، تأثیر CTT در سری تبدیل شده بررسی شده است.

مدل با مداخله:

جایی که (1) ( omega_ ) نشان دهنده تأثیر اولیه CTT است که در طول دوره پس از معرفی نیز احساس می شود ، (2) تأثیر مداخله نشان داده شده توسط (i_ ) انتظار می رود از مارس 2013 یک مرحله تغییر ایجاد کند، که زمان اعلام مالیات است و توسط T = 100 در مجموعه داده ما مشخص شده است

و (3) (a_ ) فرض بر این است که دنباله ای از متغیرهای تصادفی عادی مستقل با میانگین و واریانس صفر است.

نتیجه تخمین در زیر آورده شده است:

یک رویکرد مدل سازی Arima/Garch

در این بخش ، پس از قرار دادن یک مدل سری زمانی برای قیمت های آینده طلا ، ما یک مدل Arch/Garch را برای مدل سازی واریانس خطای آن قرار خواهیم داد. ما خوانندگان را به ادبیات موجود ارجاع می دهیم که از روشهای مشابه تجزیه و تحلیل استفاده می کند و در مورد قابلیت اطمینان نتایج به دست آمده از طریق نرم افزار اقتصاد سنجی بحث می کند (McCullough and Vinod 1999 ؛ McCullough and Renfro 2000).

متناسب با مدل Arima فصلی

As indicated earlier, in order to determine whether the series has a constant variance, we preliminarily fitted an ARIMA (left( ight) imes>_ ) مدل به مجموعه داده ها ، که بر اساس طرح همبستگی آن و همبستگی جزئی از سری های منظم و فصلی متفاوت است. فرم مدل دقیق در زیر آورده شده است:

جایی که (1) t از 1 تا 156 متغیر است ، (2) B عملگر پشتی است ، (3) (n_ ) فرض بر این است که توالی از متغیرهای تصادفی عادی مستقل با واریانس میانگین صفر و غیر ثابت توزیع می شود و وهر دو تفاوت منظم و فصلی سفارش 1 با دوره فصلی 12 است.

The parameter estimates of the coefficients to the above fitted model are obtained and after removing the non-significant seasonal autoregressive coefficients associated with (B^>b^ ، ) مدل به دست آمده:

واریانس خطای وابسته به زمان بعداً مورد بحث قرار خواهد گرفت.

یک مدل آریما فصلی با مداخله

در این زیر بخش ، تأثیر CTT را بر روی سری منظم و فصلی متفاوت بررسی خواهیم کرد. مدل با مداخله:

جایی که n_حرففرض بر این است که توالی متغیرهای تصادفی به طور عادی توزیع شده با میانگین صفر و واریانس غیر ثابت است و تعاریف اصطلاحات دیگر همان موارد موجود در (8) است.

The parameter estimates of the coefficients are obtained and it is observed that the seasonal autoregressive coefficients associated with (B^>B^) قابل توجه نیستند و از این رو حذف می شوند و پارامترها دوباره تخمین می شوند. مدل در (12) با پارامترهای تخمین زده شده:

با تمام پارامترها به جز یکی از متغیرهای مداخله قابل توجه است و واریانس خطای وابسته به زمان بعداً مورد بحث قرار خواهد گرفت. همبستگی های باقیمانده و همبستگی های جزئی نشان دهنده کفایت مدل است.

From the estimates of model fitting, it is evident that the negative signs of the intervention parameter estimates show that the introduction of CTT reduced the gold futures prices but not quite significantly. The estimates of the intervention variable are not statistically significant, since its p value = P (left(>> راست) ) = 0. 2764 ، برای سطح اهمیت 5 ٪ استفاده شده. بنابراین ، ما مداخله را حذف می کنیم و به سادگی از Eq استفاده می کنیم.(11) در تجزیه و تحلیل بیشتر.

مدل های نوسانات برای n_حرف

در اینجا ، ما چارچوب کلی مورد بحث در ابتدای این بخش را به باقیمانده های مربع به دست آمده از متناسب با مدل ارائه شده در Eq اعمال می کنیم.(11). همبستگی و توطئه های همبستگی جزئی از باقیمانده های مربع مدل در Eq.(11) همانطور که در شکل 6 نشان داده شده است ، یک مدل قوس فصلی (2) را نشان می دهد ، با دوره فصلی S = 12.

طرح همبستگی و همبستگی جزئی باقیمانده های مربع از مدل در Eq.(11)

بر اساس بالاترین سنبله قابل توجه در تاخیر 24 در طرح عملکرد همبستگی جزئی ، یک مدل قوس فصلی (2) با دوره فصلی 12 بر روی باقیمانده های مربع مدل در Eq نصب شده است.(11).

برآورد پارامتر مدل قوس فصلی (2) به دست می آید و پس از حذف ضریب اتورگرایی فصلی غیر مهم مرتبط با (b^) مدل به دست آمده:

جایی که (E_ ) یک توالی از متغیرهای تصادفی مستقل به طور عادی توزیع شده با میانگین صفر و واریانس است.

بنابراین ، برای قیمت های آینده طلا ، ما یک مدل فصلی Arima-Garch با نتایج تخمین آن در زیر آورده شده است.

پیش بینی از مدل های قیمت و عملکرد آنها

مدل های Eqs.(7) و (15) برای پیش بینی مقادیر آینده استفاده می شود. پیش بینی های مرحله پیش رو از مبدا زمان t = 156 به شرح زیر محاسبه می شود.

معادله پیش بینی L- جلو برای مدل در Eq.(7) است

$$x08egin hat_ left( l ight) & = hat_ left( ight) + hat_ left( ight) - hat_ left( ight) - 0.2591 hat_ left( ight) \ & quad + 0.2591 hat_ left( ight) + 0.2591 hat_ left( ight) - 0.2591hat_ left( ight) \ & quad + Eleft( <|>Y_ ,Y_ , ldots> راست) + 0. 7455 E سمت چپ (<|>Y_ ,Y_ , ldots> ight), \ end$$

جایی که (y_ ) = ( sqrt) و (a_ ) سری سر و صدای سفید از n مستقل (0 ، ( sigma _^)) متغیرهای تصادفی است.

معادله پیش بینی شده برای مدل در Eq.(15) است

$$x08egin hat_ left( l ight) & = hat_ left( ight) + hat_ left( ight) - hat_ left( ight) - 0.2651hat_ left( ight) \ & quad + 0.2651 hat_ left( ight) + 0.2651 hat_ left( ight) \ & quad - 0.2651hat_ left( ight) + Eleft( <|>Z_ ,Z_ , ldots> راست) \ & Quad - 0. 7280 E سمت چپ (<|>Z_ ,Z_ , ldots> ight). \ end$$

برای مقایسه ، پیش بینی های پیش رو از Eq.(16) با بالا بردن مقادیر به قدرت 2 به درجه سری اصلی تبدیل می شوند. این تبدیل همچنین مقدار انحراف استاندارد را توسط قدرت 2 افزایش می دهد و در محاسبه واریانس خطای پیش بینی و محدودیت های پیش بینی مرتبط استفاده می شوددر فرقه بحث شده است. 3. 2 در زیر.

مقادیر قیمت پیش بینی شده آینده با مقادیر واقعی قیمت بسته شدن مشتق مقایسه می شود و خطاهای پیش بینی به عنوان تفاوت بین مقادیر واقعی و مقادیر پیش بینی به شرح زیر محاسبه می شود.

جایی که N منشأ پیش بینی است ، و L زمان پیش بینی پیش بینی ها از همان مبدا است. علاوه بر این ، اقدامات پیش بینی برای تعیین مدل که پیش بینی های بهتری را ارائه می دهد محاسبه می شود. این مقایسه معمولاً بر اساس آمار خلاصه زیر ، میانگین خطای مربع (MSE) و میانگین خطای مطلق (MAPE) است که محبوب ترین اقدامات برای دقت پیش بینی و در نتیجه در انتخاب مدل است. MSE وابسته به مقیاس و MAPE مستقل از مقیاس است.

مقایسه مقادیر پیش بینی

پیش بینی های پیش رو مدل (7) از طریق Eq.(16) و مدل (15) از طریق Eq.(17) محاسبه می شوند. برای مقایسه ، مقادیر پیش بینی و خطاهای پیش بینی در جدول 3 در زیر جدول بندی شده است.

جدول 3 مقایسه مقادیر واقعی و مقادیر پیش بینی بین مدل ها (7) و (15) و خطاهای پیش بینی آنها

بدیهی است که بین مدل های متناسب در Eqs.(7) و (15) ، پیش بینی های مدل در Eq.(7) نسبت به مقادیر واقعی نسبت به مدل های موجود در Eq نزدیکتر هستند.(15) در یازده مورد از سیزده مورد. اقدامات عملکرد پیش بینی شده برای مدل های متناسب با استفاده از آمار خلاصه در جدول 4 می تواند بیشتر نشان داده شود.

اقدامات پیش بینی بین هر دو مدل منسجم است. مقادیر خطاها برای مدل در Eq کمتر است.(7) از خطاهای مدل در Eq.(15)این نشان دهنده دقت پیش بینی بالاتر برای مدل در Eq است.(7) ، دلالت بر اینکه کمی از مدل در Eq بهتر عمل می کند.(15) از نظر دقت پیش بینی.

مقایسه محدودیت های پیش بینی

در مدل سازی سری زمانی ، ما اثربخشی مدل پیشنهادی خود و ارتباط آن با تئوری را با پیش بینی بررسی می کنیم. بنابراین ، این یک کاربرد مهم تجزیه و تحلیل سری زمانی است. در مطالعه ما ، ما همچنین می خواهیم محدودیت پیش بینی آنها را برای پیش بینی های هر دو مدل بررسی کنیم.

وقتی مدل ها در Eqs.(7) و (15) برای محاسبه پیش بینی با استفاده از نرم افزار سری زمانی مانند SAS یا R استفاده می شود ، همچنین می توانیم محدودیت های پیش بینی مرتبط با آنها را محاسبه کنیم. برای مقایسه ، ما محدودیت های پیش بینی 95 ٪ و طول های مرتبط با فواصل بین حد بالایی و پایین را محاسبه کرده ایم. توطئه محدودیت های پیش بینی همراه با مقادیر آینده پیش بینی شده در شکل 7 آورده شده است ، و مقادیر در جدول 5 ارائه شده است.

طرح پیش بینی 95 ٪ برای مقادیر پیش بینی شده آینده برای مدل در Eq.(7) و مدل در Eq.(15)

نتایجی که اظهار شده

در این مقاله از مدل های سری زمانی برای بررسی بازار آینده طلا در هند با در نظر گرفتن فصلی شایع در این بازار و اجرای یک طرح مالیاتی جدید یعنی CTT استفاده می شود.

نتایج برآورد نشان می دهد که مدل های پیش بینی پارسیمونی بدون متغیر مداخله ، متناسب با داده های آینده طلا را فراهم می کند. مشاهده شده است که ضریب متغیر مداخله منفی است ، اما نتایج حاصل از تجزیه و تحلیل نشان می دهد که برآورد پارامتر متغیر مداخله از نظر آماری معنی دار نیست. بنابراین ، پیش بینی های انجام شده در این مطالعه شامل متغیر مداخله نیست. کاهش روند قیمت مشاهده شده در شکل 1 پس از سال 2013 ، نشان می دهد عدم سواد مالی در بین شرکت کنندگان در بازار با توجه به رژیم مالیاتی جدید که سود مالیات بر درآمد را ارائه می دهد و بازار تحت سلطه بازرگانان سوداگرانه است. برای اینکه بازار آینده کار کند ، هم به پرچمداران و هم دلالان مورد نیاز هستند و هر دو نقش اساسی دارند. این امر نیاز به نظارت دقیق را برای جلوگیری از دستکاری در بازارهای آینده برجسته می کند. همچنین خواستار نیاز به سازماندهی برنامه های آگاهی در حمایت از گزینه های سرمایه گذاری و مزایای آنها است. یک مطالعه تجربی اخیر در بازار نوظهور نشان می دهد که چگونه حرکت سرمایه سوداگرانه برای بهبود کارآیی در بازارهای مالی کنترل می شود (Chao et al. 2019).

احساسات بازار نیز نقش مهمی در زمینه هند دارد ، عمدتاً به دلیل دلبستگی احساساتی به دارایی اساسی. از آنجا که هند به دلیل عدم وجود استخراج معادن داخلی ، نوسانات در قیمت طلای طلا به میزان بیشتری تحت تأثیر متغیرهای کلان اقتصادی است. قیمت طلای جهانی از رفع قیمت لندن گرفته شده است. چین از روش معیار مشابه برای تصمیم گیری در مورد قیمت ، معروف به Fix Price Shanghai یا معیار طلای شانگهای پیروی می کند. در هند ، انجمن جواهرات شمش هند (IBJA) قیمت روزانه طلا را منتشر می کند. با این وجود ، عدم شفافیت به دلیل عدم وجود یک چارچوب نظارتی برای اثربخشی قیمت هند یا قیمت معیار طلا در ارز داخلی (روپیه های هندی) به دلیل کم بودن یک فرقه به عنوان یک گرم یا ده گرم طلا و تماس ها وجود دارد. به توجه نیاز به یک سازمان مستقل برای نظارت بر تجارت طلای تجاری.

در جدول 3 ، ما مشاهده می کنیم که طبق مدل موجود در Eq.(7) و مدل در Eq.(15) ، پیش بینی قیمت برای 9 ماه اول در حال افزایش است ، اما براساس مدل در (15) برای چهار ماه آینده کاهش می یابد ، با این حال ، نتایج حاصل از مدل در (7) در زمان سرب = 10 ، 11 و متعاقباً در حال افزایش استکاهش می دهد. پیش بینی های مدل در Eq.. این نشان می دهد که ناهنجاری موجود در بازار نقطه احتمالاً در بازار مشتق یافت نمی شود. بنابراین ، Futures Gold یک پرچین مؤثر و یک گزینه سرمایه گذاری جذاب برای سرمایه گذاران است که ممکن است بخواهند طلا را در سبد خود بگنجانند تا در صورت داشتن موقعیت طولانی ، در برابر نوسانات موجود در بازار محافظت کنند و همچنین به دلیل قیمت های در حال حرکت ، سود فروش کوتاه را کسب کنندجهت های مخالف در بازارهای مختلف. همچنین ممکن است به دلیل تأخیر در همگرایی پایه (تفاوت بین قیمت لکه و آتی) به دلیل اصطکاک بازار ، ویندوزهای کوتاهی برای داوری وجود داشته باشد. مشاهده شده است که تجارت بازار آینده طلا در سه ماهه اول سال 2018 افزایش یافته است.

از آنجا که تمام مقادیر واقعی در محدوده پیش بینی 95 ٪ موجود است ، پیش بینی های مدل های متناسب نشان می دهد که مقادیر آینده قرارداد آینده طلا را می توان از ارزش های تاریخی با درجه خاصی از دقت پیش بینی کرد. در نتیجه ، آنها می توانند توسط مدیران صندوق و سرمایه گذاران فعال برای تنظیم مجدد تخصیص نمونه کارها خود استفاده شوند.

روش مورد استفاده برای تعیین تحول قدرت با استفاده از SAS انجام شد و بقیه تجزیه و تحلیل در مطالعه ما با استفاده از نرم افزار R Studio انجام شد. کد برای همین بنا به درخواست نویسندگان در دسترس است.

در دسترس بودن داده ها و مواد

داده هایی که از یافته های این مطالعه پشتیبانی می کنند ، از پایگاه داده تامسون رویترز ایکون در دسترس است ، اما محدودیت ها برای در دسترس بودن این داده ها اعمال می شود ، که تحت مجوز برای مطالعه حاضر استفاده شده اند ، و بنابراین در دسترس عموم نیستند. با این حال ، داده ها با درخواست معقول و با اجازه تامسون رویترز از نویسندگان در دسترس هستند.

مخفف

میانگین متحرک یکپارچه رگرسیون خودکار

موسسه ملی برای تبدیل هند (AAYOG ترجمه هندی برای کمیسیون سیاست است)

مبادله چند کالا

بورس ملی

بورس اوراق بهادار بمبئی

مالیات کالا و خدمات

مالیات معامله کالاها

معیار اطلاعات Akaike

معیار اطلاعات بیزی

عملکرد همبستگی جزئی

ناهمگونی مشروط مشروط به خودرو تعمیم یافته

ناهمگونی مشروط به صورت خودکار

خطای مربع متوسط

میانگین خطای میانگین درصد

انجمن جواهرات شمش هندی

منابع

Aggarwal R ، Lucey BM (2007) موانع روانشناختی در قیمت طلا؟Rev Financ Econ 16 (2): 217 230

Alkhazali OM ، Zoubi TA (2020) تنوع طلا و نمونه کارها: تجزیه و تحلیل تسلط تصادفی از شاخص های اسلامی داو جونز. امور مالی اقیانوس آرام باسین J 60: 101264

الشیاب م (2006) پیش بینی بورس اوراق بهادار Amman با استفاده از مدل میانگین متحرک یکپارچه یکپارچه (ARIMA) یکپارچه یکپارچه. J Econ Adm Sci 22 (2): 17-35

Ball Ca ، Torore WN ، Tschoegl AE (1982) طلا و "اثر آخر هفته". J Futur Mark 2 (2): 175-182

Baur DG (2013) اثر پاییز طلا. Res Int Bus Finance 27 (1): 1 11

Baur DG ، McDermott TK (2010) آیا طلا یک پناهگاه امن است؟شواهد بین المللیJ Bank Finance 34 (8): 1886-1898

Baur DG ، McDermott TK (2016) چرا طلا یک پناهگاه امن است؟J Behav Experim Finance 10: 63-71

Beckma J ، Berger T ، Czudaj R (2015) آیا طلا به عنوان پرچین یا پناهگاه امن برای سهام عمل می کند؟یک رویکرد انتقال صاف. ECON مدل 48: 16-24

Bollerslev T (1986) ناهمگونی مشروط به خودی تعمیم یافته. J Economy 31 (3): 307-327

Bouman S ، Jacobsen B (2002) شاخص هالووین ، "فروش در ماه مه و رفتن": یک معمای دیگر. Am Econ Rev 92 (5): 1618 1635

Box GE ، Cox DR (1964) تجزیه و تحلیل تحولات. J R Stat Soc Ser B (Methodol) 26 (2): 211 243

Box Gep ، Jenkins GM (1970) تجزیه و تحلیل سری زمانی ، پیش بینی و کنترل ، هولدن-روز ، سانفرانسیسکو

Box GE ، Tiao GC (1975) تجزیه و تحلیل مداخله با برنامه های کاربردی برای مشکلات اقتصادی و زیست محیطی. J Am Stat Assoc 70: 70-79

Box GEP ، Jenkins GM ، Reinsel GC ، Ljung GM (2016) تجزیه و تحلیل سری زمانی ، پیش بینی و کنترل ، 5 EDN. ویلی ، نیویورک

Challa ML ، Malepati V ، Kolusu SNR (2018) پیش بینی خطر با استفاده از رویکرد متوسط متحرک یکپارچه رگرسیون خودکار: شواهدی از S& P BSE Sensex. نوآوری مالی 4:24. https://doi.org/10. 1186/S40854-018-0107-Z

Challa ML ، Malepati V ، Kolusu SNR (2020) S& P BSE Sensex و S& P BSE پیش بینی بازگشت با استفاده از ARIMA. نوآوری مالی 6 (1): 1-19

Chao X ، Kou G ، Peng Y ، Alsaadi FE (2019) روشهای نظارت بر رفتار برای پولشویی مبتنی بر تجارت ادغام مقررات کلان و خرد: یک مورد از چین. Technol Econ Dev Econ 25 (6): 1081-1096

چو ری (1988) تداوم نوسانات و ارزیابی سهام: برخی از شواهد تجربی با استفاده از گارچ. J Appl Econ 3 (4): 279 294

رابطه Choudhry T ، Hassan SS ، Shabi S (2015) بین بازار طلا و سهام در طول بحران مالی جهانی: شواهدی از آزمایشات علیت غیرخطی. Int Rev Financy Anal 41: 247 256

Daskalaki C ، Skiadopoulos G ، Topaloglou N (2017) مزایای تنوع کالاها: یک رویکرد کارآیی تسلط تصادفی. J Empir Finance 44: 250 269

Dickey DA ، Hasza DP ، Fuller WA (1984) آزمایش برای ریشه های واحد در سری زمانی فصلی. J Am Stat Assoc 79 (386): 355-367

دونگ H ، Guo X ، Reichgelt H ، Hu R (2020) قدرت پیش بینی مدل های ARIMA در پیش بینی بازده سهام: یک روش پنجره کشویی. J Asset Manag 21 (6): 549-566

ادواردز FR (1993) مالیات بر معاملات در بازارهای آتی: اهداف و اثرات. J Finance Serv Res 7 (1): 75-91

Emenogu NG ، Adenomon MO ، Nweze NO (2020) در مورد نوسانات بازده سهام روزانه کل Nigeria PLC: شواهدی از مدل های GARCH ، ارزش در معرض خطر و پشتی. نوآوری مالی 6:18. https://doi.org/10. 1186/S40854-020-00178-1

فرانسوی KR ، Schwert GW ، Stambaugh RF (1987) بازده سهام و نوسانات انتظار می رود. J Financ Econ 19 (1): 3-29

Guha B ، Bandyopadhyay G (2016) پیش بینی قیمت طلا با استفاده از مدل ARIMA. J Adv Manag Sci 4 (2): 117 121

اقبال J (2017) آیا بازار سهام پرچمدار طلا ، تورم و نرخ نرخ ارز؟یک تحقیق اقتصاد سنجی. Int Rev Econ Finance 48: 1 17

Jain V (2019) شواهد تجربی در مورد وجود ناهنجاری های تقویم در بازار طلا و نفت خام. در: مجموعه مقالات دومین کنفرانس بین المللی سیستم های اطلاعات و علوم مدیریت (ISMS). https://doi.org/10. 2139/ss. 3511451

Kamstra MJ ، Kramer LA ، MD Levi (2003) Blues Winter: چرخه بازار سهام غم انگیز. Am Econ Rev 93 (1): 324-343

Kocaarslan B ، Sari R ، Gormus A ، Soytas U (2017) همبستگی پویا بین بازار BRIC و ایالات متحده: تأثیر نامتقارن انتظارات نوسانات در بازارهای نفت ، طلا و مالی. J Commod Mark 7: 41-56

Kou G ، Chao X ، Peng Y ، Alsaadi FE ، Herrera-Viedma E (2019) روشهای یادگیری ماشین برای تجزیه و تحلیل ریسک سیستمیک در بخش های مالی. Technol Econ Dev Econ 25 (5): 716-742

Kumar D (2014) انتقال بازده و نوسانات بین بخش های طلا و سهام: کاربرد مدیریت نمونه کارها و اثربخشی محافظت. IIMB Manag Rev 26 (1): 5-16

Lean HH ، Wong WK (2015) آیا طلا برای تنوع نمونه کارها خوب است؟تجزیه و تحلیل تسلط تصادفی از بورس اوراق بهادار پاریس. Int Rev Financy Anal 42: 98-108

Lucey BM ، Tully E (2006) فصلی ، خطر و بازگشت در داده های طلا و نقره روزانه COMEX 1982-2002. Appl Financy Econ 16 (4): 319-333

MA CK (1986) تحقیقات بیشتر در مورد تأثیر روز هفته در بازار طلا. J Futur Mark 6 (3): 409-419

Mallikarjuna M ، Rao RP (2019) ارزیابی روش های پیش بینی از بازده بازار سهام منتخب. نوآوری مالی 5:40. https://doi.org/10. 1186/S40854-019-0157-x

McCullough BD ، Renfro CG (2000) معیارها و استانداردهای نرم افزاری: مطالعه موردی از روشهای GARCH. J Econ Soc Measur 26 (1): 63-77

McCullough BD ، Vinod HD (1999) قابلیت اطمینان عددی نرم افزار اقتصاد سنجی. J Econ Lit 1999 (37): 633-665

Mo D ، Gupta R ، Li B ، Singh T (2018) عوامل تعیین کننده کلان اقتصادی از نوسانات آتی کالاها: شواهدی از بازارهای چینی و هند. ECON مدل 70: 543-560

Mukherjee I ، Goswami B (2017) نوسانات بازده از آینده کالاها: شواهدی از هند. نوآوری مالی 3:15. https://doi.org/10. 1186/S40854-017-0066-9

Pariyaprasert W ، Boonchuaymetta E (2018) اثر هالووین و سایر ناهنجاری های فصلی در بخش انرژی بورس اوراق بهادار تایلند. J Risk Manag Insur 22 (1): 29-41

Pavaskar M ، Ghosh N (2008) مالیات معاملات کالا: دستور العمل برای فاجعه. Econ Polit Weekly 43 (39): 17-20

پینگ PY ، Miswan NH ، Ahmad MH (2013) پیش بینی طلای مالزی با استفاده از مدل Garch. Appl Math Sci 7 (58): 2879 2884

Samouilhan NL ، Shaon G (2008) پیش بینی نوسانات در JSE. سرمایه گذاری مقعد J 37 (67): 19-28

Schmidbauer H ، Rösch A (2018) تأثیر جشن ها بر انتظار قیمت طلا و نوسانات. Int Rev Financy Anal 58: 117 131

Shakil MH ، Tasnia M ، Saiti B (2018) آیا طلا یک پرچین است یا یک پناهگاه امن؟کاربرد رویکرد ARDL. J Econ Finance Adm Sci 23 (44): 60-76

Thupayagale P (2010) ارزیابی مدل های مبتنی بر GARCH در برآورد ارزش در معرض خطر: شواهدی از بازارهای سهام در حال ظهور. سرمایه گذاری مقعد J 39 (72): 13-29

Todorova N (2017) نوسانات نامتقارن در بازار طلا دوباره مورد بررسی قرار گرفت. Econ Lett 150: 138 141

Wang X ، Liu H ، Huang S (2019) شناسایی فصلی روزانه در بازده و نوسانات طلا: شواهدی از شانگهای و لندن. خط مشی منابع 61: 522-531

WEI WWS (2006) تجزیه و تحلیل سری زمانی: روش های تک متغیره و چند متغیره ، edn 2. پیرسون آدیسون وسلی ، بوستون

Xiao B ، Maillebuau P (2020) تأثیر فصلی در بازار طلای چین با استفاده از تجزیه و تحلیل تجربی مبادله طلای شانگهای. Eurasian J Econ Finance 8 (2): 104 114

ژانگ CY ، Jacobsen B (2013) ماهانه فصلی واقعی هستند؟دیدگاه سه قرن. Rev Finance 17 (5): 1743-1785