تحليل عوامل موثر بر نوسان هاي قيمت طلا با استفاده‏از مدل هاي رگرسيون سوييچينگ ماركف و شبكه عصبي

Analysis the Factors Affecting Gold Price Fluctuations Using a Markov Switching Regression Models and Neural Networks

طلا يك كالاي استراتژيك است و عوامل زيادي بر قيمت آن تاثير مي‌گذارد. از طرفي روش شبكه عصبي توانايي خاصي در برآورد روند و پيش‏بيني نوسانات قيمت طلا دارد و روش رگرسيون سوييچينگ نيز توانايي در شناسايي شوك‏‏ها و سال هاي تغيير رژيم‏هاي نوسانات در سطح پر نوسان و كم نوسان دارد. اين تحقيق به طور جداگانه بر بررسي هر يك و پياده سازي اين روش‏‏ها در داده‏هاي نوسانات قيمت طلا مي پردازيم. روش تحقيق: در اين پژوهش با شناسايي عوامل موثر بر نوسان هاي قيمت طلا براي دوره 1390-1359 الگوي متناسب با اين نوسان ‏ها مدل سازي مي شود. براي مدل سازي از دو روش غير خطي شبكه عصبي و مدل رگرسيون چرخشي ماركف استفاده شده‏است. هدف مدل سازي در اين مطالعه مقايسه دو روش نيست بلكه با ياري جستن از دو مدل سعي در برازش بهتر و پيش‏بيني بهتر مدل‏‏ها مي باشد. هر يك از اين دو روش توانايي خاصي در قسمتي از فرآيند مدل سازي دارند. شبكه عصبي به كار گرفته شده در اين پژوهش حاوي 2 لايه پنهان و رگرسيون چرخشي نيز داراي 2 رژيم مي باشد. نتايج حاكي از آن است كه روش شبكه عصبي به خوبي توانسته نوسانات قيمت طلا را پيش‏بيني كند و روش رگرسيون چرخشي سال‏هاي چرخش و شوك را شناسايي نموده و تشخيص داده شده كه در ايران مدتي كه بازار طلا در حالت كم نوسان است، بيشتر از حالت پر نوسان است. نتايج نشان مي دهد از ميان عوامل موثر بر قيمت طلا در مدل شبكه عصبي متغير نرخ ارز و قيمت جهاني طلا بيشترين تاثير را دارد و در مدل چرخشي ماركف متغير قيمت نفت و پس از آن CPIداراي بالاترين اهميت و درجه تاثير گذاري بر قيمت طلا مي باشد.

Gold is a strategic commodity and its price is influenced by many factors. Neural network method has a special ability to forecast ad good fitness, and markov switching regression has a special ability to distinguish the shocks and regime that switch and the exact date of fluctuations. Methodology: In this study the proper model for gold price fluctuation is modeling after identifying the factor that affect on gold price in the period of 1980-2011. For modeling we use two non linear method, neural network and Markov Switching regression. The goal of this paper is not comparing the result of two method but also is better modeling and better forecasting with each model separately. Results The neural network in this study has two layers and switching regression has two regimes. The results indicate that the neural network methods are well able to predict fluctuations in the gold price. Switching regression can identify the shocks during switching yeas. And it is diagnosed that the period of being in low volatility state in the gold market is more of a high volatility state. The results show that in neural network model, among factors affecting the gold price, exchange rate and the world price of gold have the greatest impact and in Markov models, CPI has the highest importance and influence on the gold price.