1. INTRODUCTION Gold has been the m

1. INTRODUCTION
Gold has been the most popular commodity as a healthy return investment due to its unique properties as a safe haven asset. Currency crises, inflation and instability economy in many countries since 1933 such as the Great Depression (1933), Asean crisis (1997-98) and global economic crisis (2008-2010) showed that gold being used as a hedge against inflation. According to Shafiee and Topal (2010), there is a significant negative relationship between inflation and the gold price over the last 40 years. Besides that, gold still an excellent store of value compared to other financial assets and commodities. By looking at the historical trend of gold price that are fluctuated based on global supply and demand and no risk-free, hence it is necessary to develop a model that reflects the pattern of the gold price movement since it become very significant to investors.

Gold prices are naturally time series data. Time series analysis develops a model for data series based on historical data and its past error. One of the widely used univariate time series models in many research practices is Box-Jenkins modelling. The Box-Jenkins modelling is one of the most powerful forecasting techniques available and it can be used to analyze almost any set of data (Christodoulos et al., 2010). In economics, Box-Jenkins modeling is well used in exchange rate forecasting, a basis model in gold price forecasting, and as a benchmark forecast model for gold and silver returns.

In many practical applications, the autoregressive integrated moving average (ARIMA) model is the most widely used Box-Jenkins models since it can handle nonstationary data. According to Shafiee and Topal (2010), the gold price followed a random walk and nonstationary characteristics. Therefore, ARIMA has been good potential to be a forecasting model for gold prices. ARIMA is one of the most important time series models used in financial market forecasting over the past three decades due to its statistical properties, accurate forecasting over a short period of time and ease of implementation (Khashei et al., 2009).

Despite the fact that the ARIMA is powerful and flexible, it is not able to handle the volatility and nonlinearity that are present in the data series. Gold as a well-established physical commodity has been actively traded spot on international markets since 1967. Since then, the gold market has been volatile. Previous studies showed that generalized autoregressive conditional heteroskedatic (GARCH) models are used in time series forecasting to handle volatility in the commodity data series including in the gold price volatility.

Combining models or hybrid the models can be an effective way to overcome the limitations of each components model as well as able to improve forecasting accuracy. In recent years, more hybrid forecasting models have been proposed applying Box-Jenkins models including an ARIMA model with GARCH to time series data in various fields for their good performance. Wang et al. (2005) proposed an ARMA-GARCH error model to capture the ARCH effect present in daily stream flow series. Zou et al. (2006) applied the ARIMA-GARCH model in forecasting internet traffic, while Chen et al. (2011) suggested ARIMA-GARCH model for short-time traffic flow prediction. In energy price forecasting, Tan et al. (2010) proposed a forecasting method that a combination of wavelet transform with ARIMA and GARCH models in predicting day-ahead electricity price. Meanwhile, Pham and Yang (2010) proposed the ARMA-GARCH procedures for estimating the machine health condition. In 2013, Liu and Shi applying ARMA-GARCH approaches to forecasting short-term electricity prices. Meanwhile, Liu et al. (2013) applied ARMA-GARCH-in-mean for wind speed forecasting. In the study, they explained the ARIMA-GARCH methodology as it is closed related the proposed model.

There are many forecast models used in forecasting gold price. The models which has been used recently are Box-Jenkins models (Miswan et al., 2013; Khashei et al., 2008), back propagation neural network (Yuan, 2012; Zhou et al., 2012; Parisi et al., 2008), system dynamics model (Tharmmaphornphilas et. al, 2012), varying-coefficient regression model (Zhang et al., 2011), data mining methods (Mustaffa &Yusof, 2011), jump-and-dip diffusion (Shafiee and Topal, 2010), artificial intelligence models, multiple linear regression models (Ismail et al., 2009) or can be the hybrid of the above mentioned models (Khashei et al., (2009, 2008); Hadavandi et al., 2010; Asadi et al., 2012).

Although these models achieve a certain effect in forecasting gold price, there is no study that focuses on the performance of hybrid of ARIMA models with GARCH. In practice, the logarithmic function is used in transforming data in any financial data series. However in this study, the formula of Box-Cox transformation will be applied in the data transformation step. In line with these needs, this research is considered the pioneer in proposing a hybridization of the univariate time series modeling with volatility models incorporates with Box-Cox transformation in analyzing gold price. In this study, GARCH as the superior volatility model is applied to construct a hybrid model to overcome the linear limitations of ARIMA models by considering volatility in the forecast model in an attempt to yield more accurate forecast results.

Kết quả (Việt) 1:

1. giới thiệu
vàng đã là mặt hàng phổ biến nhất như là một đầu tư trở lại sức khỏe do tính chất độc đáo của nó như là một tài sản ẩn náu an toàn. Cuộc khủng hoảng tiền tệ, lạm phát và bất ổn kinh tế tại nhiều quốc gia kể từ năm 1933 chẳng hạn như các trầm cảm tuyệt vời (1933), Asean khủng hoảng (1997-98) và khủng hoảng kinh tế toàn cầu (2008-2010) cho thấy rằng vàng được sử dụng như một hàng rào chống lạm phát. Theo Shafiee và Topal (2010), đó là một mối quan hệ tiêu cực đáng kể giữa lạm phát và giá vàng trong 40 năm qua. Bên cạnh đó, vàng vẫn còn một cửa hàng tuyệt vời của giá trị so với khác tài sản tài chính và hàng hóa. Bằng cách xem xét các xu hướng lịch sử của giá vàng được fluctuated dựa trên nhu cầu và cung cấp toàn cầu và không có rủi ro, do đó, nó là cần thiết để phát triển một mô hình phản ánh các mô hình của phong trào giá vàng kể từ khi nó trở nên rất quan trọng để nhà đầu tư.

Giá vàng tự nhiên là thời gian loạt các dữ liệu. Phân tích chuỗi thời gian phát triển một mô hình cho dữ liệu series dựa trên dữ liệu lịch sử và lỗi trong quá khứ. Một mô hình dòng thời gian véc sử dụng rộng rãi trong nhiều nghiên cứu thực hành là hộp-Jenkins mô hình. Mô hình hộp-Jenkins là một trong các kỹ thuật dự báo mạnh nhất có sẵn và nó có thể được sử dụng để phân tích hầu như bất kỳ tập hợp các dữ liệu (Christodoulos và ctv., 2010). Trong kinh tế, mô hình hộp-Jenkins cũng được sử dụng trong tỷ giá hối đoái dự báo, một mô hình cơ sở trong giá vàng dự báo, và như là một chuẩn mực thời mô hình cho vàng và bạc trở về.

Trong nhiều ứng dụng thực tế, autoregressive tích hợp di chuyển trung bình (ARIMA) mô hình là các mô hình hộp-Jenkins được sử dụng rộng rãi nhất kể từ khi nó có thể xử lý dữ liệu nonstationary. Theo Shafiee và Topal (2010), giá vàng theo bộ ngẫu nhiên và đặc điểm nonstationary. Vì vậy, ARIMA đã là các tiềm năng tốt để là một mô hình dự báo cho giá vàng. ARIMA là một trong những quan trọng nhất thời gian loạt các mô hình được sử dụng trong thị trường tài chính dự báo hơn ba thập kỷ qua do tính thống kê, chính xác dự báo trong một khoảng thời gian ngắn và dễ thực hiện (Khashei et al., 2009).

Mặc dù thực tế rằng ARIMA là mạnh mẽ và linh hoạt, nó không phải là khả năng xử lý các biến động và nonlinearity có mặt trong dòng dữ liệu. Vàng như một thứ hàng hóa cũng thành lập vật lý đã được tích cực được giao dịch tại chỗ trên thị trường quốc tế từ năm 1967. Kể từ đó, thị trường vàng đã được dễ bay hơi. Nghiên cứu trước đây cho thấy rằng tổng quát autoregressive có điều kiện heteroskedatic (GARCH) mô hình được sử dụng trong chuỗi thời gian dự báo để xử lý các biến động trong hàng hóa dữ liệu loạt gồm trong biến động giá vàng.

Kết hợp mô hình hoặc kết hợp các mô hình có thể là một cách hiệu quả để khắc phục những hạn chế của mỗi mô hình thành phần cũng như có thể cải thiện độ chính xác dự báo. Những năm gần đây, thêm các mô hình dự báo lai đã được đề xuất áp dụng mô hình hộp-Jenkins bao gồm một mô hình ARIMA với GARCH để thời gian loạt các dữ liệu trong các lĩnh vực khác nhau cho hiệu suất tốt của họ. Wang et al. (2005) đã đề xuất một mô hình lỗi ARMA-GARCH để nắm bắt tác dụng kiến trúc hiện diện trong hàng ngày dòng chảy loạt. Zou et al. (2006) áp dụng mô hình ARIMA-GARCH trong dự báo lưu lượng truy cập internet, trong khi Chen et al. (2011) đề nghị ARIMA-GARCH mô hình cho thời gian ngắn lưu lượng dòng chảy dự đoán. Năm năng lượng giá dự báo, Tan et al. (2010) đã đề xuất một phương pháp dự báo một sự kết hợp của bề mặt biến đổi với Model ARIMA và GARCH dự đoán điện trước ngày giá. Trong khi đó, phạm và Yang (2010) đề nghị các thủ tục ARMA-GARCH để ước tính tình trạng sức khỏe máy. Vào năm 2013, lưu và Shi áp dụng phương pháp tiếp cận ARMA-GARCH để dự báo ngắn hạn điện giá. Trong khi đó, Liu et al. (2013) áp dụng ARMA GARCH trong bình cho gió tốc độ dự báo. Trong nghiên cứu, họ giải thích phương pháp ARIMA-GARCH như nó đóng cửa liên quan các mô hình đề xuất.

Có là nhiều thời mô hình được sử dụng trong dự báo giá vàng. Các mô hình đã được sử dụng gần đây là mô hình hộp-Jenkins (Miswan et al., 2013; Khashei et al., 2008), quay lại tuyên truyền mạng nơ-ron (nhân dân tệ, năm 2012; Chu et al., năm 2012; Parisi et al., 2008), Hệ thống động lực học mẫu (Tharmmaphornphilas et. al, 2012), mô hình hồi quy hệ số khác nhau (trương et al., năm 2011), dữ liệu khai thác phương pháp (Mustaffa &Yusof, năm 2011), nhảy và nhúng phổ biến (Shafiee và Topal, 2010), trí tuệ nhân tạo mô hình, hồi qui tuyến tính nhiều mô hình (Ismail et al., 2009) hoặc có thể là kết hợp của các mô hình đã đề cập ở trên (Khashei et al., (năm 2009, 2008); Hadavandi et al., 2010; Asadi et al., 2012).

Mặc dù những mô hình đạt được một hiệu quả nhất định trong dự báo giá vàng, có là không có nghiên cứu tập trung vào việc thực hiện của hybrid ARIMA mô hình với GARCH. Trong thực tế, hàm lôgarít được sử dụng trong việc chuyển dữ liệu trong bất kỳ dữ liệu tài chính. Tuy nhiên, trong nghiên cứu này, công thức của hộp-Cox chuyển đổi sẽ được áp dụng trong bước chuyển đổi dữ liệu. Phù hợp với những nhu cầu này, nghiên cứu này được coi là người tiên phong trong đề xuất một lai ghép của dòng thời gian véc mô hình hóa với mô hình biến động kết hợp với hộp-Cox chuyển đổi trong phân tích giá vàng. Trong nghiên cứu này, GARCH như là mô hình cấp trên biến động được áp dụng để xây dựng một mô hình lai để khắc phục những hạn chế tuyến tính của ARIMA mô hình bằng cách xem xét các biến động trong bản mẫu trong một nỗ lực để mang lại chính xác hơn thời kết quả.

Kết quả (Việt) 2:

1. GIỚI THIỆU
vàng đã được các mặt hàng phổ biến nhất như một sự đầu tư trở lại khỏe mạnh do tính chất độc đáo của nó như là một tài sản trú ẩn an toàn. Khủng hoảng tiền tệ, lạm phát và nền kinh tế bất ổn ở nhiều quốc gia từ năm 1933 như cuộc Đại khủng hoảng (1933), ASEAN khủng hoảng (1997-1998) và cuộc khủng hoảng kinh tế toàn cầu (2008-2010) cho thấy vàng đang được sử dụng như một hàng rào chống lại lạm phát. Theo Shafiee và Topal (2010), có một mối quan hệ tiêu cực giữa lạm phát và giá vàng trong vòng 40 năm qua. Bên cạnh đó, vẫn còn một cửa hàng vàng tuyệt vời của giá trị so với tài sản tài chính khác và hàng hóa. Bằng cách nhìn vào xu hướng lịch sử của giá vàng được dao động dựa trên cung và cầu toàn cầu và không có rủi ro, vì vậy nó là cần thiết để phát triển một mô hình phản ánh các mô hình của phong trào giá vàng kể từ khi nó trở nên rất quan trọng để các nhà đầu tư. Vàng giá là tự nhiên dữ liệu chuỗi thời gian. Phân tích chuỗi thời gian phát triển một mô hình cho loạt dữ liệu dựa trên dữ liệu lịch sử và lỗi trong quá khứ. Một trong những mô hình chuỗi thời gian đơn biến sử dụng rộng rãi trong thực hành nhiều nghiên cứu là mô hình Box-Jenkins. Các mô hình Box-Jenkins là một trong những kỹ thuật dự báo mạnh mẽ nhất hiện có và nó có thể được sử dụng để phân tích hầu như bất kỳ tập hợp dữ liệu (Christodoulos et al., 2010). Trong kinh tế, mô hình Box-Jenkins được cũng được sử dụng trong dự báo tỷ giá, một mô hình cơ sở trong dự báo giá vàng, và như là một mô hình dự báo điểm chuẩn cho trở về vàng và bạc. Trong nhiều ứng dụng thực tế, tự hồi quy tích hợp trung bình trượt (ARIMA) mô hình là được sử dụng rộng rãi nhất mô hình Box-Jenkins vì nó có thể xử lý dữ liệu bất tĩnh. Theo Shafiee và Topal (2010), giá vàng tiếp bước ngẫu nhiên và các đặc điểm bất tĩnh. Vì vậy, ARIMA đã được tiềm năng tốt để được một mô hình dự báo cho giá vàng. ARIMA là một trong những mô hình chuỗi thời gian quan trọng nhất được sử dụng trong dự báo thị trường tài chính trong ba thập kỷ qua do tính chất thống kê của nó, dự báo chính xác hơn một khoảng thời gian ngắn và dễ thực hiện (Khashei et al., 2009). Mặc dù thực tế rằng ARIMA là mạnh mẽ và linh hoạt, nó không phải là khả năng xử lý các biến động và phi tuyến có mặt trong loạt dữ liệu. Vàng như một loại hàng hóa vật chất cũng như thành lập đã tích cực giao dịch giao ngay trên thị trường quốc tế từ năm 1967. Kể từ đó, thị trường vàng đã ổn định. Nghiên cứu trước đây cho thấy tổng quát tự hồi heteroskedatic có điều kiện (GARCH) mô hình được sử dụng trong hàng loạt dự báo thời gian để xử lý biến động trong chuỗi dữ liệu hàng hóa bao gồm cả sự biến động giá vàng. Kết hợp mô hình hoặc lai các mô hình có thể là một cách hiệu quả để khắc phục những hạn chế của từng các thành phần mô hình cũng như khả năng cải thiện độ chính xác dự báo. Trong những năm gần đây, nhiều mô hình dự báo lai đã được đề xuất áp dụng mô hình Box-Jenkins bao gồm một mô hình ARIMA với GARCH để dữ liệu chuỗi thời gian trong các lĩnh vực khác nhau cho hiệu suất tốt của họ. Wang et al. (2005) đề xuất một mô hình lỗi ARMA-GARCH để nắm bắt những hiệu ứng ARCH hiện trong loạt dòng chảy hàng ngày. Zou et al. (2006) áp dụng mô hình ARIMA-GARCH trong dự báo lưu lượng truy cập Internet, trong khi Chen et al. (2011) đề nghị ARIMA-GARCH mô hình cho ngắn thời gian dự đoán lưu lượng giao thông. Giá dự báo năng lượng, Tân et al. (2010) đề xuất một phương pháp dự báo rằng một sự kết hợp của biến đổi wavelet với ARIMA và mô hình GARCH trong việc dự đoán giá điện ngày trước. Trong khi đó, Phạm và Yang (2010) đề xuất các thủ tục ARMA-GARCH để ước lượng tình trạng sức khỏe máy. Vào năm 2013, Liu Shi và áp dụng ARMA-GARCH phương pháp tiếp cận để dự báo giá điện ngắn hạn. Trong khi đó, Liu et al. (2013) áp dụng ARMA-GARCH-trong-trung bình của dự báo tốc độ gió. Trong nghiên cứu, họ giải thích phương pháp luận ARIMA-GARCH như nó được đóng lại liên quan đến các mô hình đề xuất. Có rất nhiều mô hình dự báo được sử dụng trong dự báo giá vàng. Các mô hình đã được sử dụng gần đây là các mô hình Box-Jenkins (Miswan et al, 2013;.. Khashei et al, 2008), lại tuyên truyền thần kinh mạng (Yuan, 2012; Zhou và cộng sự năm 2012,;. Parisi và cộng sự, 2008. ), động lực học hệ thống mô hình (Tharmmaphornphilas et. al, 2012), mô hình hồi quy khác nhau hệ số (Zhang et al., 2011), phương pháp khai thác dữ liệu (Mustaffa & Yusof, 2011), nhảy và nhúng khuếch tán (Shafiee và Topal, 2010 ), các mô hình thông minh nhân tạo, nhiều mô hình hồi quy tuyến tính (Ismail et al, 2009) hoặc có thể là lai của các mô hình nêu trên (Khashei et al, (2009, 2008.).;. Hadavandi et al, 2010; Asadi et al ., 2012). Mặc dù các mô hình này đạt được hiệu quả nhất định trong dự báo giá vàng, chưa có nghiên cứu tập trung vào việc thực hiện các mô hình ARIMA lai với GARCH. Trong thực tế, chức năng logarit được sử dụng trong chuyển đổi dữ liệu trong bất kỳ loạt dữ liệu tài chính. Tuy nhiên trong nghiên cứu này, công thức chuyển đổi Box-Cox sẽ được áp dụng trong bước chuyển đổi dữ liệu. Phù hợp với những nhu cầu, nghiên cứu này được coi là tiên phong trong việc đề xuất một lai của chuỗi thời gian mô hình đơn biến với các mô hình biến động kết hợp với chuyển đổi Box-Cox phân tích giá vàng. Trong nghiên cứu này, GARCH là mô hình biến động cao được áp dụng để xây dựng một mô hình lai để khắc phục những hạn chế của các mô hình tuyến tính ARIMA bằng cách xem xét biến động trong mô hình dự báo trong một nỗ lực để mang lại kết quả dự báo chính xác hơn.