Details

Title Investigation of platinum price seasonality using high-order autoregression // Technoeconomics: an international journal. – 2025. – Vol. 4, № 2. — С. 70-79
Creators Klimentov A. R.
Imprint 2025
Collection Общая коллекция
Subjects Экономика ; Математическая экономика. Эконометрика ; Экономика металлургической промышленности ; platinum ; seasonal prices ; price forecasting ; high-order autoregression ; time series analysis ; autoregressive modeling ; платина ; сезонные цены ; прогнозирование цен ; авторегрессия высокого порядка ; анализ временных рядов ; авторегрессионное моделирование
UDC 330.4 ; 338.45:621.7
LBC 65в631 ; 65.305.2
Document type Article, report
File type PDF
Language English
DOI 10.57809/2025.4.2.13.7
Rights Свободный доступ из сети Интернет (чтение, печать, копирование)
Additionally New arrival
Record key RU\SPSTU\edoc\76792
Record create date 9/3/2025

Allowed Actions

Read Download (1.2 Mb)

Group Anonymous
Network Internet

This research investigates platinum price seasonality using high-order autoregressive modeling. The research object is daily platinum price dynamics (LME data, 2015-2024), focusing on long-term dependencies and cyclical patterns. The method employs stepwise decomposition of a 270-day lag autoregression AR(270) into computationally efficient 15-day lag sub-models, enabling significance testing of all coefficients while minimizing resource demands. Results identify the one-day lag as the dominant predictor, with marginal effects at 6-15-day lags and MAPE (1.15%) confirm model robustness. Conclusions indicate no statistically significant weekly cycles due to the overwhelming influence of short-term lags, though the method’s applicability in low-resource environments (e. g., Microsoft Excel) facilitates accessible highorder autoregression.

В данном исследовании изучается сезонность цен на платину с использованием авторегрессионного моделирования высокого порядка. Объектом исследования является ежедневная динамика цен на платину (данные LME за 2015-2024 гг.) с акцентом на долгосрочные зависимости и циклические закономерности. Метод использует пошаговую декомпозицию авторегрессии AR(270) с запаздыванием в 270 дней на эффективные в вычислительном отношении подмодели с запаздыванием в 15 дней, что позволяет проверять значимость всех коэффициентов при минимизации затрат ресурсов. Результаты показывают, что задержка на один день является доминирующим предиктором, с незначительными эффектами при задержке на 6-15 дней, а MAPE (1,15%) подтверждает надежность модели. Выводы указывают на отсутствие статистически значимых недельных циклов из-за подавляющего влияния краткосрочных задержек, хотя применимость метода в средах с низким уровнем ресурсов (например, Microsoft Excel) облегчает доступ к авторегрессии высокого порядка.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet All

Access count: 17 
Last 30 days: 17

Detailed usage statistics