پیش‌بینی بازده قرارداد آتی سکه طلا در بورس کالای ایران: با رویکرد مقایسه ای مدل آرچ و شبکه عصبی

با توجه به اهمیت و نقش طلا به‌عنوان ابزاری برای سرمایه‌گذاری، بخصوص در کشوهای درحال‌توسعه، روش‌های مختلفی برای پیش‌بینی بازده آتی طلا استفاده‌شده است. ازاین‌رو، هدف اصلی از پژوهش حاضر پیش‌بینی بازده روزانه قرارداد آتی سکه طلا در بورس کالای ایران با استفاده از مدل آرچ و شبکه عصبی است. برای این منظور، از دادههای روزانه 20 قرارداد آتی سکه طلا برای دوره زمانی تیرماه 1392 تا شهریورماه 1395 که به روش «تعدیل به عقب» پیوسته شده‌اند، به کار گرفته شد. همچنین پس از بررسی نتایج تحقیقات پیشین از بازده قیمتی دلار، بازده قیمتی سکه طلا و بازده قیمتی طلای جهانی به‌عنوان متغیرهای موثر بر بازده قرارداد آتی سکه طلا استفاده شد. علاوه بر این، دقت پیش‌بینی این مدل‌ها با استفاده از معیارهای میانگین مربعات خطا، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب تعیین ارزیابی شد. نتایج پژوهش نشان داد در دوره موردبررسی، شبکه عصبی در مقایسه با مدل آرچ در پیش‌بینی برون نمونه بهتر عمل کرده است؛ اما بر مبنای نتایج آزمون تی زوجی، دقت پیش‌بینی دو مدل ازنظر آماری تفاوت معناداری نداشته است.

Forecasting of Gold Coin Future Contract Return in Iran Mercantile Exchange: with Approach of Comparative between ARCH Model and Neural Network

Given the importance and role of gold as a tool for investing, especially in developing countries, various approaches have been used to predict gold future returns. Hence, the main purpose of the present study is prediction the daily return of gold coin future contract by using multilayer feedforward neural network and autoregressive conditional heteroskedasticity (ARCH) models in Iran mercantile exchange. For this purpose, the daily data on 20 the gold coin futures contracts for periods July 2014 to September 2016 which has been continued using the method “backadjusted”, is used. Also, after investigating results of previous studies, dollar price return, gold coin price return and global gold price return have been used as effecting variables on gold coin future contracts return. In addition, Predictive accuracy the neural network and the ARCH models were evaluated using root mean squared error (RMSE), mean squared error (MSE), mean absolute error (MAE) and coefficient of determination (R2). The results showed that in the period under review, the neural network model performs better than the ARCH model in the prediction out of sample. But based on the results of the paired ttest, the prediction accuracy of the two models hasn’t been the statistically significant difference.