طراحی مدلی جهت پیش بینی بازده قیمت جهانی طلا (با تاکید بر مدل های ترکیبی شبکه عصبی کانولوشنی و مدل های خانواده گارچ)

این مقاله به معرفی مدل هایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیش بینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 می پردازد. در این پژوهش از مدل های دارای حافظه کوتاه مدت GARCH و EGARCH استفاده می شود. علاوه بر بکارگیری مدل های حافظه کوتاه مدت، با توجه به کارایی مدل های ترکیبی خانواده GARCH (در مقایسه با مدل های فردی) در پیش بینی داده های مالی، در این مطالعه، تمامی مدل های خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدل های ترکیبی بازده طلا پیش بینی شده است . وهمچنین پیش بینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدل های جاری در پیش بینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیش بینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیش بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش بینی دیبولد-ماریانو (DM) نیز یافته های فوق را تایید میکند.