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

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,018

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ETEC03_431

تاریخ نمایه سازی: 7 آبان 1393

چکیده مقاله:

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.

کلیدواژه ها:

نویسندگان

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 مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله 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