ارزیابی عملکرد مدل های GARCH و ARIMA در پیش بینی قیمت های گاز طبیعی

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,017

This Paper With 21 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ETEC03_431

تاریخ نمایه سازی: 7 آبان 1393

Abstract:

گاز طبیعی به عنوان یک منبع مهم انرژی جهت مصارف صنعتی و خانگی و به خصوص تولید برق در سطح دنیا مطرح می باشد زیرا این منبع اساساً کارا بوده و نسبت به سایر اقسام انرژی دی اکسید کربن کمتری را تولید می نماید. از این رو ، ارائه مدل هایی جهت پیش بینی دقیق قیمت گاز طبیعی و سمت و سوی تغییرات آن اهمیت داشته و این پیش بینی ها می توانند در سیاست گذاری های جانب عرضه و تقاضای کار مفید واقع شوند. در این تحقیق داده های سری زمانی روزانه قیمت نقدی گاز طبیعی هنری هاب از 7 ژانویه ی 1997 تا 20 مارس 2012 مورد استفاده قرار گرفتند. به منظور پیش بینی قیمت های گاز طبیعی از مدل های تصافدی باکس جنکینز و روش تعمیم یافته ی آتورگرسیو واریانس ناهمسان شرطی (GARCH) استفاده شده است. نتایج نشان می دهند که مدل های تعمیم یافته آتورگرسیون میانگین متحرک ( ARMIA (1.2.2 و (GARCH (1.1 مناسب ترین مدل ها جهت پیش بینی قیمت ها می باشند که با استفاده از معیارهای عملکرد پیش بینی مورد ارزیابی قرار گرفتند. با توجه به مقایسه ی نتایج به دست آمده از دو مدل مذکور ، مشخص شد که مدل (GARCH (1.1 به دلیل توانایی آن در بیان و لحاظ تلاطم به کمک واریانس شرطی غیر ثابت ، مدل بهتری جهت پیش بینی قیمت های روزانه نقدی گاز طبیعی می باشد.

Authors

نرگس صالح نیا

دانشجوی دکتری اقتصاد انرژی دانشگاه فردوسی مشهد

محمدعلی فلاحی

دانشیار گروه اقتصاد دانشگاه فردوسی مشهد

احمد سیفی

عضو هیات علمی گروه اقتصاد دانشگاه فردوسی مشهد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Nijman, C. (2008). "The Energy Market: From Energy Products to ...
  • Alexander, C. (1998). Volatility and Correlation: Measurement, Models and Applications. ...
  • AI Faris, A. (1991). The Determinans of Crude Oil Price ...
  • Bollerslev, T. (1986). Generalized Auto regressive Conditional Heteroskeda sticity. Journal ...
  • Brooks, C. (2008). Introductory Econometric for Finance. (2nd Ed.) Cambridge: ...
  • Chinn, M. D., LeBlanc, M. and Coibion, O. (2005). The ...
  • Dudek, D.J., Golub, A.A., Strukova, E.B. (2006). Should Russia Increase ...
  • Enders, W. (2004). Applied Econometric Time Series. (2nd Ed.) Danvers: ...
  • Engle, R. (1982). Auto regressive Conditional Hete roscedasticity with Esimates ...
  • Hanke, J. E., Wichern, D. W. and Reitsch, A. G. ...
  • Huntington, H.G. (1994). Oil Price Forecasting in the 1980s: What ...
  • Liu, L. M. (1991). Dynamic Relationship Analysis of US Gasoline ...
  • Litkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. ...
  • Manoliu, M., Tompaidis, S. (2002). Energy futures prices: Term structure ...
  • Mirmirani, S., and Li, H.C. (2004). A Comparison of VAR ...
  • Morana, C. (2001). A Semi-Pa rametric Approach to Short-term Oil ...
  • Moshiri, S. (2004). Testing for Deterministi Chaos in Futures Crude ...
  • Nelson, Y., Stoner, S., Gemis, G., and Nix, H.D. (1994). ...
  • Nian, L. CH. (2009). Application of ARIMA and GARCH Models ...
  • Regnard, N. and Zakoian, J. M. (2011). A Conditionally H ...
  • Ruppert, D. (2004). Statistics and Finance: An Introduction. New York: ...
  • Sadorsky, P. (2002). Time-varying Risk Premiums in Petroleum Futures Price. ...
  • Wang, S., Yu, L. and Lai, K. K. (2005). Crude ...
  • Woo, C.K., Olson, A., Horowitz, I. (2004). Market Efficiency, Cross ...
  • Xie, W., Yu, L., Xu, S.Y., and Wang, S.Y. (2006). ...
  • Yang, C.W., Hwang, M. J., and Huang, B.N. (2002). An ...
  • Yu, L., Wang, S.Y., and Lai, K.K. (2006). Forecasting Foreign ...
  • Zamani, M. (2004). An Econometric Forecasting Model of Short Term ...
  • نمایش کامل مراجع