An alternative method for forecasting price volatility by combining models

Gurung, Bishal; Singh, K. N.; Paul, Ranjit Kumar; Panwar, Sanjeev; Gurung, Biwash; Lepcha, Lawrence

doi:10.1080/03610918.2015.1124115

Cited by 7 publications

(2 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The importance of the commodity price forecasting problem for scrap steel of the metal sector in China should be of no exception, particularly when one considers its significant role to the general public [16][17][18][19][20][21][22], great influences from volatile macro-economic and policy factors and financial markets on prices [23][24][25][26][27][28], and close connections with many other economic sectors and industries [29][30][31][32][33][34][35][36][37][38][39]. Existing studies have clearly demonstrated that commodity prices tend to reveal patterns of irregular volatilities [40][41][42][43][44][45][46][47][48], they have large impacts on various market participants' decision-making processes [49][50][51][52][53][54], and they ultimately will influence allocations of social resources and thus economic welfare in general [55][56][57][58]. The extreme importance of forecasting their prices might not call for too much motivation.…”

Section: Introductionmentioning

confidence: 99%

Scrap steel price forecasting with neural networks for east, north, south, central, northeast, and southwest China and at the national level

Zhang

2023

Ironmaking & Steelmaking

View full text Add to dashboard Cite

There is little doubt about importance of forecasting commodity prices to policy makers and diverse varieties of market participants. In this present work, we analyse price forecasting problems for scrap steel for east, north, south, central, northeast, and southwest China and at the national level with daily data during 08/23/2013-04/15/2021. We focus on exploration of usefulness of non-linear autoregressive neural networks and examine forecasting performance based upon a variety of settings over algorithms for model estimations, numbers of hidden neurons and delays, and ratios for splitting the data into training, validation, and testing phases. We arrive at relatively simple models for the seven price series, which lead to forecasts of high accuracy and stabilities with relative root mean square errors below 0.85%. Our results could serve as standalone technical forecasts. They could be combined with other forecasts for forming perspectives of price trends and carrying out policy analysis.

show abstract

Section: Introductionmentioning

confidence: 99%

Scrap steel price forecasting with neural networks for east, north, south, central, northeast, and southwest China and at the national level

Zhang

2023

Ironmaking & Steelmaking

View full text Add to dashboard Cite

show abstract

“…More, they propose to use their application to multi-step ahead forecasts. Gurung et al (2017) combined forecasts using a linear regression approach. However, they estimated the coefficients through the Kalman Filter 1 that ensures the minimization of the forecasts error variances.…”

Section: Linear Time Varying Parameter Combinationsmentioning

confidence: 99%

Combining forecasts in various financial applications

Φαμελίτη¹

View full text Add to dashboard Cite

Η διαθεσιμότητα ενός μεγάλου αριθμού υποδειγμάτων για την πρόβλεψη της μεταβλητότητας οδηγεί σε αυξημένη αβεβαιότητα για την αξιοπιστία του μοντέλου τους ερευνητές και τους επαγγελματίες. Οι ακριβείς προβλέψεις για την μεταβλητότητα απαιτούνται στις περισσότερες χρηματοοικονομικές εφαρμογές, όπως η διαχείριση κινδύνων, η διαχείριση χαρτοφυλακίου και η τιμολόγηση των δικαιωμάτων προαίρεσης. Ένας μεγάλος αριθμός μελετών υποστηρίζει την χρήση συνδυαστικών μεθοδολογιών για την πρόβλεψη ενός μεγάλου αριθμού οικονομικών μεταβλητών, όμως οι περισσότερες από αυτές εφαρμόζονται στην πρόβλεψη των αποδόσεων. Παραδόξως, οι συνδυαστικές μεθοδολογίες για τη μεταβλητότητα δεν έχουν λάβει την δέουσα προσοχή στη βιβλιογραφία. Η έρευνα αυτή επικεντρώνεται στην αξιολόγηση της προβλεπτικής ικανότητας απλών και πιο σύνθετων συνδυαστικών μεθοδολογιών, όπως και στην ανάπτυξη και διερεύνηση καινοτόμων μεθοδολογιών πρόβλεψης της μεταβλητότητας με εφαρμογές στις χρηματιστηριακές αγορές και τις αγορές πετρελαίου.Πρώτον, παρέχονται διάφορες συνδυαστικές προβλέψεις για τη μεταβλητότητα του δείκτη S&P500. Ενισχύουμε την βιβλιογραφία συνδυάζοντας προβλέψεις για την μεταβλητότητα από υποδείγματα που βασίζονται σε ημερήσια, ενδοημερήσια και τεκμαρτής μεταβλητότητας δεδομένα. Συγκεκριμένα, χρησιμοποιείται μια μεγάλη ποικιλία συνδυαστικών μεθοδολογιών για την πρόβλεψη της μεταβλητότητας, στην οποία περιλαμβάνονται απλές τεχνικές, τεχνικές που βασίζονται στις προηγούμενες επιδόσεις των μεμονωμένων μοντέλων και τεχνικές παλινδρόμησης. Η διαδικασία αξιολόγησης βασίζεται τόσο σε στατιστικά όσο και σε οικονομικά μέτρα αποδεικνύοντας την υπεροχή των συνδυαστικών μεθοδολογιών. Αν και οι συνδυαστικές προβλέψεις που βασίζονται σε πιο πολύπλοκες μεθόδους έχουν καλύτερες επιδόσεις από τις απλές συνδυαστικές μεθοδολογίες και τα μεμονωμένα μοντέλα, δεν υπάρχει κάποια μεθοδολογία που να κυριαρχεί τις υπόλοιπες τόσο από στατιστική όσο και από οικονομική άποψη. Αυτό μας οδηγεί στο συμπέρασμα ότι οι διαφορετικές συνδυαστικές μεθοδολογίες επιλέγονται με βάση την οικονομική εφαρμογή.Δεύτερον, προτείνουμε νέες συνδυαστικές μεθοδολογίες που βασίζονται σε μέτρα αξιολόγησης χαρτοφυλακίων και διαχείρισης κινδύνου στην πρόβλεψη της μεταβλητότητας των τιμών των συμβολαίων μελλοντικής εκπλήρωσης αργού πετρελαίου. Αξιολογείται η προβλεπτική ικανότητα τριών τύπων συνδυαστικών μεθοδολογιών μεταβλητότητας: συνδυαστικές προβλέψεις που βασίζονται σε δεδομένα υψηλής συχνότητας, συνδυαστικές προβλέψεις που βασίζονται σε ημερήσια δεδομένα και συνδυαστικές προβλέψεις που περιλαμβάνουν και τα δύο είδη δεδομένων. Με την εξέταση των συνδυαστικών μεθοδολογιών που βασίζονται σε μέτρα αξιολόγησης χαρτοφυλακίου και διαχείρισης κινδύνου, μπορούν να αντληθούν νέα στοιχεία σχετικά με τις συνδυαστικές προβλέψεις. Πρώτον, τα αποτελέσματα δείχνουν ότι οι συνδυαστικές μεθοδολογίες οδηγούν σε πιο ακριβείς προβλέψεις, σε στατιστικούς και οικονομικούς όρους, για τη μεταβλητότητα από τα μεμονωμένα μοντέλα. Δεύτερον, τα μοντέλα που βασίζονται σε ημερήσια δεδομένα οδηγούν σε μεγαλύτερα οικονομικά οφέλη όταν συνδυάζονται μέσω μέτρων αξιολόγησης χαρτοφυλακίου ιδίως στους χρονικούς ορίζοντες της μίας και των είκοσι δύο ημερών, ενώ δύο μεμονωμένα μοντέλα επιδεικνύουν καλύτερη παρουσία για τον χρονικό ορίζοντα των πέντε ημερών. Τρίτον, οι συνδυαστικές προβλέψεις που βασίζονται σε στατιστικά κριτήρια και προέρχονται από μοντέλα υψηλής συχνότητας είναι πιο ακριβείς σύμφωνα με στατιστικά και οικονομικά μέτρα υποδεικνύοντας ότι η πληροφορία που εμπεριέχεται σε αυτά τα δεδομένα μπορεί να οδηγήσει σε σωστή πρόβλεψη για τα οικονομικά οφέλη ακόμη και μέσω συνδυαστικών προβλέψεων που προέρχονται από στατιστικά μέτρα. Τέλος, ο συνδυασμών των δύο πηγών δεδομένων οδηγεί σε υψηλότερα οικονομικά κέρδη, όταν τα δεδομένα αυτά συνδυάζονται μέσω μέτρων αξιολόγησης χαρτοφυλακίου, για τον χρονικό ορίζοντα των 22 ημερών.

show abstract

Steel price index forecasting through neural networks: the composite index, long products, flat products, and rolled products

Zhang

2022

Miner Econ

View full text Add to dashboard Cite

An alternative method for forecasting price volatility by combining models

Cited by 7 publications

References 11 publications

Scrap steel price forecasting with neural networks for east, north, south, central, northeast, and southwest China and at the national level

Scrap steel price forecasting with neural networks for east, north, south, central, northeast, and southwest China and at the national level

Combining forecasts in various financial applications

Steel price index forecasting through neural networks: the composite index, long products, flat products, and rolled products

Contact Info

Product

Resources

About