fa بررسی تاثیر فرکانس داده‌ ها بر قدرت پیش بینی الگوهای با حافظه بلند مدت و کوتاه مدت: کاربرد در تلاطم بازار جهانی نفت اقتصاد انرژي Energy Economic پژوهشي Research <p>محققان زیادی از مدل های مختلف برای پیش‌بینی تلاطم در بازار کالا و سرمایه استفاده کرده‌اند. هر چند تعداد اندکی از این تحقیقات به نقش فرکانس داده‌ها در پیش‌بینی های خود توجه کرده‌اند. همچنین هیچکدام از این تحقیقات امکان وجود حافظه بلند مدت در پیش بینی تلاطم قیمت نفت را در نظر نگرفته‌اند. ما به منظور پرکردن این شکاف در پژوهش ها دسته‌ای از الگوهای خانواده GARCH و ARFIMA (الگوهایی با حافظه بلند مدت و کوتاه مدت) را با استفاده از فرکانس های مختلف داده‌ای تخمین زده‌ایم. براساس معیار ریشه میانگین مربع خطا، فارغ از نوع الگو، الگوها تخمینی با استفاده از داده با فرکانس بالاتر بر الگوهای تخمینی با داده های فرکانس کمتر برتری داشتند. نتایج همچنین نشان داد در یک سطح از فرکانس داده‌‌ها قدرت پیش بینی مدل های خانواده GARCH و مدل ARFIMA یکسان است. خلاصه آنکه پیشنهاد می‌کنیم جهت پیش بینی تلاطم بازار نفت از الگوهای با حافظه کوتاه مدت و بالاترین فرکانس داده‌ای استفاده شود. از اینرو به نظر می‌رسد الگوی GARCH مناسب توانایی انجام این کار را داشته و نیازی به استفاده از الگوی ARFIMA نیست.</p> <p align="justify" style="direction: ltr">Many researchers have used different methods to forecast the volatility of goods and capital markets. However, only few have taken into account the importance of data frequency on their predictions. However, none of them have considered the possibility of long run memory in predicting the volatility of oil market. In order to fill this gap in the literature, we have estimated a class of ARFIMA and GARCH models (long- and short-run memory models) with different data frequency to predict oil market volatility. Based on Root Mean Square Error (RMSE) criterion, irrespective of models&#39; type, all models with high frequency data outperform the low frequency data models. The result also shows that at each frequency level, the prediction powers of both ARFIMA and GARCH models are the same. To sum up, we suggest the use of short-run memory model with high frequency data to forecast volatility of oil market. Hence, it seems a proper GARCH model can do the job and there is no need to use ARFIMA model for this purpose.</p> فرکانس داده‌ها, مدل‌های با حافظه کوتاه مدت و بلند مدت, ARFIMA,GARCH, پیش‌بینی تلاطم قیمت نفت Data frequency, long vs short memory models, GARCH, ARFIMA, Prediction of Oil Price Volatility 1 24 http://iiesj.ir/browse.php?a_code=A-10-533-2&slc_lang=fa&sid=1 ali kiani علی کیانی alikiani2000@gmail.com 10031947532846003279 10031947532846003279 Yes دانشگاه شیراز Karim Eslamloueyan کریم اسلاملوئیان keslamlo@rose.shirazu.ac.ir 10031947532846003280 10031947532846003280 No دانشگاه شیراز