درخت حوزه‌های تخصصی

ارزیابی مدل

مرتب سازی نتایج بر اساس: جدیدترینپربازدید‌ترین
فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱۳ مورد از کل ۱۳ مورد.
۱.

The Comparison among ARIMA and hybrid ARIMA-GARCH Models in Forecasting the Exchange Rate of Iran

کلید واژه ها: ARIMAExchange RateForecasting PerformanceGARCH Family ModelsVolatility Modeling

حوزه های تخصصی:
  1. اقتصاد اقتصاد بین الملل مالیه بین الملل بازار ارز
  2. اقتصاد روش های ریاضی و کمی مدل سازی اقتصادسنجی ارزیابی مدل
تعداد بازدید : ۱۷۵ تعداد دانلود : ۱۸۰
This paper attempts to compare the forecasting performance of the ARIMA model and hybrid ARMA-GARCH Models by using daily data of the Iran’s exchange rate against the U.S. Dollar (IRR/USD) for the period of 20 March 2014 to 20 June 2015. The period of 20 March 2014 to 19 April 2015 was used to build the model while remaining data were used to do out of sample forecasting and check the forecasting ability of the model. All the data were collected from central bank of Iran. First of all, the stationary of the exchange rate series is examined using unit root test which showed the series as non stationary. To make the exchange rate series stationary, the exchange rates are transformed to exchange rate returns. By using Box-Jenkins method, the appropriate ARIMA model was obtained and for capturing volatilities of returns series, some hybrid models such as: ARIMA-GARCH, ARIMA-IGARCH, ARIMA-GJR and ARIMA-EGARCH have been estimated. The results indicate that in terms of the lowest RMSE, MAE and TIC criteria, the best model is ARIMA((7,2),(12)) –EGARCH(2,1). This model captures the volatility and leverage effect in the exchange rate returns and its forecasting performance is better than others.
۲.

روش شناسی اقتصادسنجی و مسئله علیّت

کلید واژه ها: روش آماریروش شناسیاقتصادسنجیمسئله استقراءتحلیل علّی و تجربه

حوزه های تخصصی:
تعداد بازدید : ۱۷۳ تعداد دانلود : ۱۶۹
علم اقتصاد مثل هر علم دیگر، برای تبدیل شدن به یک علم تجربی باید یک «مسئله روش شناختی» یعنی «مسئله استقراء» را حل کند. بنیانگذاران پارادایم اقتصادسنجی فکر می کردند که می توان با استفاده از نظریه های «آمار و احتمالات» مسئله استقراء را حل کرد. ایده مقاله حاضر این است که پارادایم اقتصادسنجی در راه رسیدن به این هدف ناکام مانده است. این ناکامی نیز یک دلیل روش شناختی (عدم حل مسئله استقراء) داشته است که ریشه در یک «مسئله معرفت شناختی» (یعنی «مسئله علیّت») دارد و نه به خیال بنیان گذاران پارادایم اقتصادسنجی دلایل صرفاً تکنیکی که در حوزه علم آمار قابل حل باشد. برای اثبات این ادعا نشان داده می شود که پارادایم اقتصادسنجی، به رغم تنوع بخشی در تکنیک هایش، مبتنی بر مفهومی هیومی از علیّت است که نمی تواند مسئله استقراء را حل کند. راه حل تغییر در روش شناسی با توجه به ملاحظات معرفت شناختی است و نه صرفاً تغییر در تکنیک های آماری. این در حالی است که اغلب نقدهای صورت گرفته به اقتصادسنجی در این راستا به این نکته توجه نداشته اند و نقدها معطوف به تکنیک های آماری بوده است. این مسئله ادعای پارادایم اقتصادسنجی مبتنی بر سیاست گذاری علمی در علم اقتصاد را نیز با چالش مواجه می کند.
۳.

An Evaluation of Alternative BVAR Models for Forecasting Iranian Inflation

نویسنده:

کلید واژه ها: IranBVAR modelsInflation Forecastingg-prior

حوزه های تخصصی:
  1. اقتصاد اقتصاد کلان و اقتصاد پولی قیمت ها،نوسانات تجاری،دورهای تجاری سطح عمومی قیمت ها،تورم
  2. اقتصاد روش های ریاضی و کمی مدل سازی اقتصادسنجی ارزیابی مدل
تعداد بازدید : ۳۱۱ تعداد دانلود : ۳۱۰
This paper investigates the use of different priors to improve the inflation forecasting performance of BVAR models with Litterman’s prior. A Quasi-Bayesian method, with several different priors, is applied to a VAR model of the Iranian economy from 1981:Q2 to 2007:Q1. A novel feature with this paper is the use of g-prior in the BVAR models to alleviate poor estimation of drift parameters of Traditional BVAR models. Some results are as follows: (1) our results show that in the Quasi-Bayesian framework, BVAR models with Normal-Wishart prior provides the most accurate forecasts of Iranian inflation; (2) The results also show that generally in the parsimonious models, the BVAR with g-prior performs better than BVAR with Litterman’s prior.
۴.

Relative Performance of Components Variance Estimators in Random Effects Models

نویسنده:

کلید واژه ها: Panel DataRandom EffectsComponent Variance EstimatorsSimulation

حوزه های تخصصی:
تعداد بازدید : ۲۷۱ تعداد دانلود : ۲۷۰
This paper presents an assessment of the small-sample performance of the three well-known estimators of components variance in random effects model for panel data. The estimators considered are Swamy-Arora, Wansbeek-Kaptayn and Wallace-Hussain. To this end, by simulating a one-way error component model in the form of random effects, small sample performance of three variance estimators is studied. The implications of these results for indentifying the model and its estimation are specified. In these simulations, conditions under which Swamy-Arora estimator is inferior to alternatives are expressed. It is shown that in small samples the estimator thus obtained can give highly wrong guidance. In one-way error component model this small sample size refers to the number of cross-sections.
۵.

A Long Run Structural Macroeconometric Model for Iran

کلید واژه ها: Iranian Economycointegrated vector autoregression (VARX*)long run relationsoil priceshockforeign interest rate shock

حوزه های تخصصی:
  1. اقتصاد اقتصاد کلان و اقتصاد پولی نهاد ها و سیستم کلان اقتصادی
  2. اقتصاد روش های ریاضی و کمی مدل سازی اقتصادسنجی ارزیابی مدل
تعداد بازدید : ۳۹۷ تعداد دانلود : ۳۹۵
We employ the modelling strategy of Garratt, Lee, Pesaran and Shin (2003a) to estimate a structural cointegrating VARX* model for Iran in which core macroeconomic variables of the Iranian economy are related to current and lagged values of a number of key foreign variables. The long run macroeconomic relations for real money balances, interest rates, output, prices and exchange rates are identified and tested within this framework over the period 1979Q1-2007Q4. We make use of generalised impulse response functions to analyze the dynamic properties of the model following a shock to exogenous variables (oil prices and foreign interest rates). We also examine via the persistence profiles, the speed of adjustments to the long run relations following a system-wide shock. The results show that money demand relation and UIP-PPP (international parity conditions jointly) are not rejected within the model. Furthermore, these two long run relations have well-behaved persistence profiles in which the effects of system wide-shocks on the long run relations are transitory and die out eventually. However, both UIP-PPP and the money demand relations exhibit sluggish rates of adjustments to shocks. We also provide evidence for the excessive importance of oil price shocks for Iranian economy in our impulse response analysis.
۶.

ارزش گذاری تخمین VaR بر اساس مدلهای خانواده ARCH (مطالعه موضوعی برای بازار اوراق بهادار تهران)

کلید واژه ها: ارزش در معرض ریسک (VaR)آزمون بازخوردتخمین GARCHروش پارامتریک

حوزه های تخصصی:
تعداد بازدید : ۶۷۳ تعداد دانلود : ۶۵۸
مطالعه حاضر، با استفاده از مدل های خانواده ARCH و روش شبیه سازی دورانی، الگوهای مناسب برآورد ارزش در معرض ریسک (VaR) را برای داده های شاخص روزانه بورس اوراق بهادار تهران در دوره 86-1377 مورد بررسی قرار میدهد. مقایسه دقت پیش بینی الگوهای انتخابی بعد از 1000 بار شبیه سازی خارج از نمونه، با استفاده از دو آزمون پوشش شرطی و پوشش غیرشرطی انجام گرفته است. نتایج نشان میدهد در بین برآورد کنندگان VaR، الگوی GARCH، با توزیع t-student، از توانمندی مناسبتری در مقایسه با سایر الگوهای هم خانواده مانند TGARCH و EGARCH در برآورد ریسک یک روز آینده بورس اوراق بهادار تهران، برخوردار است.
۷.

مقایسه تکنیک های تحلیل داده در پیش بینی میزان تولید نفت: مورد کاربردی میدان اهواز

نویسنده:

کلید واژه ها: رگرسیونپیش بینی میزان تولید نفتمیدان نفتیروش شبکه های عصبی مصنوعیروش منحنی کاهش

حوزه های تخصصی:
تعداد بازدید : ۹۳۵ تعداد دانلود : ۹۳۳
این مقاله به توصیف و مقایسه پیش بینی‎های دو روش از بین روش‎های تحلیل داده‎ها، روش منحنی کاهش (DCE) با استفاده از روش رگرسیون و روش شبکه عصبی مصنوعی (ANN) می‎پردازد. نتایج به‎دست آمده مربوط به تولید حاصل از چاه‎های واقع بر میدان نفتی اهواز نشان می‎دهند که در طول دوره برآورد، برازش روش شبکه عصبی از انطباق بهتری نسبت به روش رگرسیون (با استفاده از تکنیکهای اقتصادسنجی) برخوردار است، ولی در دوره پیش بینی تولید، با توجه به سناریوی انتخابی، پیش بینی روش شبکه عصبی بسیار متفاوت از روش رگرسیون است و نشان می‎دهد که تحلیلگران نباید برای تخمین تولید میادین نفتی تنها به یک روش خاص تکیه کنند. به هر حال این دو شیوه در سیستمی موسوم به “سیستم پشتیبانی تصمیم ”، DSS، برای کاربران امکان پیش بینی تولید یک میدان یا حتی یک چاه را فراهم می‎آورند. بنابراین، یک کارشناس میدان نفتی می تواند منحنی های مختلف مربوط به نرخ‎های تولید پیش بینی شده را مقایسه و مناسب ترین مدل را برای تصمیم گیری انتخاب نماید. به‎عبارت دیگر، معادلات (ریاضی) به‎کار رفته برای پیش بینی تولید یک میدان نفتی به‎گونه ای باید مدل سازی شوند که بتوانند مقادیر نسبتا نزدیک به یکدیگر را به‎دست دهند.
۸.

یک مقایسه بین مدل های اقتصاد سنجی ساختاری ، سری زمانی و شبکه عصبی برای پیش بینی نرخ ارز

کلید واژه ها: شبکه های عصبی مصنوعیپیش بینی نرخ ارزبرابری قدرت خرید ( PPP )الگوهای ساختاری اقتصادیمدل های خطی و غیر خطی

حوزه های تخصصی:
تعداد بازدید : ۱۳۷۳ تعداد دانلود : ۱۳۶۳
در این مقاله استفاده از مدل های شبکه‎عصبی مصنوعی(ANN) و برخی الگوهای متداول در زمینه پیش بینی نرخ ارز، مورد آزمون و تحلیل قرار گرفته بدین صورت که، عملکرد پنج الگوی رگرسیون خطی در مقایسه با شبکه های عصبی مصنوعی، برای پیش بینی نرخ ارز اسمی (ریال ایران به دلار ایالات متحده آمریکا) مورد بررسی قرار می گیرد. الگوهای رگرسیون خطی عبارتند از روش باکس- جنکینز (الگوی میانگین متحرک انباشته خود همبسته)، فرایند گام تصادفی و سه تصریح مختلف بر اساس نظریه برابری قدرت خرید (PPP). هدف اصلی این مقاله، آزمون این فرضیه است که آیا شبکه های عصبی مصنوعی با توان براورد روابط غیرخطی، دارای نتایج بهتر و قابل مقایسه در پیش بینی نرخ ارز نسبت به الگوهای سنتی، به خصوص الگوی گام تصادفی اند یا خیر؟ مقایسه مذکور برای مشاهدات داخل نمونه، براورد الگوها و خارج از نمونه برای افق های پیش بینی رو به جلوی یک ، شش و دوازده ماهه انجام می پذیرد. در حالت کلی، نتایج به دست آمده حاکی از دشوار بودن پیش بینی نرخ ارز، توسط الگوهای ساختاری اقتصادی است، این نتایج هماهنگ با مطالعات قبلی در این زمینه است. بدین صورت که الگوی(فرایند) گام تصادفی نسبت به الگوهای ساختاری پولی در پیش بینی نرخ ارز از عملکرد بهتری برخوردار است. در مقایسه مستقیم عملکرد مدل های(خطی) اقتصادسنجی ساختاری و سری زمانی با شبکه های عصبی(غیرخطی) و با داده های ماهانه، مدل های شبکه های عصبی مصنوعی به وضوح از قدرت بیشتری در زمینه پیش بینی نرخ ارز برخوردارند.

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

زبان