Investigation of Nonlinear Exchange Rate Behavior in Iran: Evidence from Markov Switching Model

Document Type : Scientific-research

Authors

1 v

2 k

Abstract

The exchange rate is one of the most important key economic variables that can affect the Impressive of production, inflation, employment and other macroeconomic variables through affecting the state of foreign trade and balance of payments. Accordingly, the present paper deals with the exchange rate modeling in Iran using the Markov Switching Nonlinear Model. The data used in this article are the exchange rate data for the year 1396-1986. One of the important reasons for using the Markov-Switching model is that the exchange rate is a nonlinear time series that has various shocks and fluctuations over the years studied. In general, the results of Markov-switching model show that exchange rate has non-linear and asymmetric behavior in Iran and exchange rate in three different regimes exhibits different behavior and exchange rate behavior in three regimes depends on its period and this can be very important for currency policy making.

Keywords


ابراهیمی، ایلناز ، توکلیان، حسین (1391). طراحی یک سامانه هشداردهی زودهنگام بحرانهای ارزی در ایران با استفاده از رویکرد مارکوف سوئیچینگ. بیست و دومین همایش سالانه سیاستهای پولی و ارزی، تهران، پژوهشکده پولی و بانکی.
احسانی فر، محمد، احتشام راثی، رضا (1394). پیش بینی نرخ ارز در بازار سرمایه با استفاده از مدل های میانگین متحرک خودرگرسیون انباشته و شبکه عصبی. مطالعه موردی: دلار استرالیا، دلار کانادا، ین، ژاپن و پوند انگلستان، فصلنامه دانش مالی تحلیل اوراق بهادار، سال هشتم (شماره52)، 27-35.
آماده، عفتی‌باران، فرشید، امینی، امین (زمستان 1393). فصلنامه علوم اقتصادی، سال 8 (شماره 9).
تاثیر سیاستهای تجاری و ارزی بر بخش صنعت ایران (2000). موسسه مطالعات و 90 پژوهشهای بازرگانی، صص100-90.
حیدری، حسن، بشیری، حسن، بررسی رابطه بین نااطمینانی نرخ واقعی ارز و شاخص قیمت سهام در بورس اوراق بهادار تهران: مشاهداتی بر پایه مدل VAR-GARCH، فصلنامه تحقیقات مدلسازی اقتصادی شماره 9، پاییز 1391.
خاشعی، مهدی و بیجاری ، مهدی (1389). بکارگیری مدل ترکیبی شبکه‌های عصبی مصنوعی با رگرسیون فازی با هدف پیش‌بینی قیمت طلا. مجله مهندسی صنایع، (شماره1)، 47-39.   
خیابانی، ناصر و غلجه‌ای، سمیرا (1393). رژیم‌های ارزی و فشار بازار ارز در یک اقتصاد صادرکننده‌ی نفت (مورد ایران). فصلنامه‌ی برنامه‌ریزی و بودجه، شماره (3)، صفحات 3-22.              
سالارزهی، حبیب اله، کاشی، منصور، حسینی، سیدحسن، دنیایی، محمد (تابستان 1391). فصلنامه دانش سرمایه‌گذاری سال اول (شماره دوم).
شاه‌حسینی، سمیه، رضایی، علی (بهار1396). اقتصاد و تجارت نوین. پژوهشگاه علوم انسانی و مطالعات فرهنگی سال دوازدهم(شماره اول)، 80-51.
شیرازی، همایون، نصرالهی، خدیجه (1392). مدل‌های پولی و پیش‌بینی نرخ ارز در ایران از تئوری تا شواهد تجربی. فصلنامه سیاست های مالی و اقتصادی، سال اول(شماره4)، 5-24.
عباسی‌نژاد، حسین، گودرزی فراهانی(بهار1393). فصلنامه پژوهشنامه اقتصادی سال چهاردهم (شماره52)، 26-1.
فتاحی، شهرام، نظیفی، مینو، مدلسازی نرخ واقعی ارز ایران با استفاده از مدل چرخشی خودبازگشتی مارکف (MSAR)، فصلنامه پژوهش‌های اقتصادی(رشد و توسعه پایدار)، سال چهاردهم(شماره دوم)، تابستان 1393، صفحات 178-157.
کازرونی، علیرضا و اصغرپور، حسین و محمدپور، سیاوش و بهاری، صابر (1391). اثرات نامتقارن نوسانات نرخ واقعی ارز بر رشد اقتصادی در ایران: رهیافت مارکوف-سوئیچینگ. مجله‌ی اقتصادی-دو ماهنامه‌ی بررسی مسائل و سیاست‌های اقتصادی، شماره‌های 7 و 8، صفحات 5-26.
مرزبان، حسین، اکبریان، رضا و جواهری، بهنام (1384). یک مقاله بین مدل‌های اقتصادسنجی ساختاری سری زمانی و شبکه عصبی برای پیش‌بینی نرخ ارز. مجله تحقیقات اقتصادی(شماره 69)، 216-181.
محمدی، تیمور و رضا طالبلو (1389). پویایی‌های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی ARFIMA-GARCH. پژوهشنامه اقتصادی، سال دهم( شماره اول).
مطهری، محب اله، لطفعلی‌پور، محمدرضا، شادمهری، محمدطاهراحمدی (زمستان 1394). فصلنامه نظریه‌های کاربردی اقتصاد، سال دوم(شماره 4)، صفحات 92-71.
ممی‌پور، سیاب، جعفری، صغری. اموال موثر بر فشار بازار ارز در ایران: در چارچوب الگوی مارکوف-سوئیچینگ با احتمال انتقال متغیر، تحقیقات اقتصادی، دوره‌ی 52، شماره 2، تابستان 1396، ص 429-457.
 
Abbate, A., & Marcellino, M. (2018). Point, interval and density forecasts of exchange rates with time varying parameter models. Journal of the Royal Statistical Society: Series A (Statistics in Society), 181(1), 155-179.
Hurst, H. E. (1951). Long-term storage capacity of reservoirs. Trans. Amer. Soc. Civil Eng., 116, 770-799.
Ca'Zorzi, M., Muck, J., & Rubaszek, M. (2013). Real exchange rate forecasting: a calibrated half-life PPP model can beat the random walk.
Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica: Journal of the Econometric Society, 357-384.
Macerinskiene, I., & Balciunas, A. (2013). Fundamental exchange rate forecasting models. Advantages and drawbacks. KSI transactions on knowledge society, 6(3), 9-17.
Moosa, Imad, Burns, Kelly (2014), “Error Correction Modeling and Dynamic specifications ac a Conduit to Outperforming the Random Walk in Exchange Rate Forecasting”, Applied Economics, Vol. 46, No. 25, 3107–3118.
Moosa, Imad, Burns, Kelly (2013), “The Monetary Model of Exchange Rates is Better than the Random Walk in Out-of-Sample Forecasting”, Applied Economics Letters, Vol. 20, No. 14, pp. 1293–1297.
Quandt, R. E. (1972). A new approach to estimating switching regressions. Journal of the American statistical association, 67(338), 306-310.