ISSN (print) - 0131-7652

ISSN (online) - 2686-7605

Том 54 № 5 (2024)
ФИНАНСОВЫЙ СЕКТОР

Современное состояние и актуальные тенденции на рынке физического золота

Требуется подписка или оплата PDF (100 RUB)
  • М.Е. Косов,
  • О.В. Староверова,
  • Т.К. Чернышева
М.Е. Косов
Департамент общественных финансов Финансового университета при Правительстве РФ; Российский экономический университет им. Г.В. Плеханова
Bio
О.В. Староверова
Российский экономический университет им. Г.В. Плеханова
Bio
Т.К. Чернышева
Российский экономический университет им. Г.В. Плеханова; Институт экономической политики и проблем экономической безопасности Финансового университета при Правительстве РФ
Bio
DOI: https://doi.org/10.30680/ECO0131-7652-2024-5-224-239

Опубликован 07.10.2024

Ключевые слова

  • мировой рынок золота; физическое золото; технический анализ; цены на золото; глобальные тренды; драгоценные металлы; золотовалютные резервы; центральные банки

Как цитировать

1.
Косов М, Староверова О, Чернышева Т. Современное состояние и актуальные тенденции на рынке физического золота. ECO [Интернет]. 7 октябрь 2024 г. [цитируется по 22 декабрь 2024 г.];54(5):224-39. доступно на: https://ecotrends.ru/index.php/eco/article/view/4785

Аннотация

В статье рассматривается современное состояние и актуальные тенденции на рынке физического золота. Цель работы – на основе анализа рынка оценить значимость физического золота для инвесторов с учетом глобальных экономических трендов. Представлены данные об инвестициях в золото по странам мира, страновых золотовалютных резервах, рассматривается мировой спрос в разбивке по секторам за последние 10 лет и динамика объема производства золота в топ-10 компаниях мира. Для оценки инвестиционной привлекательности физического золота был проведен технический анализ. На основании полученных результатов авторами сформулированы актуальные тенденции на рынке физического золота и прогнозы об их развитии на ближайшие 1–3 года.
Требуется подписка или оплата PDF (100 RUB)

Библиографические ссылки

  1. Белова М.Т. Особенности и перспективы «золотых облигаций» на российском фондовом рынке // Финансовые рынки и банки. 2023. № 5. С. 78–83.
  2. Борисов А.Н. (2017). Золото как элемент мировой валютной системы в разрезе развитых стран и стран с формирующимся рынком и развивающихся стран // Инновации и инвестиции. № 2. C. 195–205.
  3. Идрисова А.Р. (2023). Мировой рынок золота: современное состояние и оценка инвестиционной привлекательности // Актуальные исследования. № 11 (141). Ч.II. C. 14–17.
  4. Раджабова П.С. Деятельность центральных банков на международных рынках золота // Экономика и бизнес: теория и практика. 2019. № 3–2. С. 69–71. DOI: 10.24411/2411–0450–2019–10440
  5. Шаповалова А.В., Чирков М.А., Чистяков М.С. (2023). Мировой рынок золота и перспективы его развития // ЭТАП: экономическая теория, анализ, практика. № (4). С. 83–110. DOI: 10.24412/2071–6435–2023–4–83–110
  6. Щербакова Е.С. Современное состояние мирового рынка золота и тенденции его развития // Вестник образовательного консорциума Среднерусский университет. Серия: Экономика и управление. 2020. № 15. C. 42–45.
  7. Alameer, Z., Abd Elaziz, M., Ewees, A.A., Ye, H., Jianhua, Z. (2019). Forecasting gold price fluctuations using improved multilayer perceptron neural network and whale optimization algorithm. Resources Policy. No. 61. Pp. 250–260. DOI: 10.1016/j.resourpol.2019.02.014
  8. Baser, P. Saini, J.R. Baser, N. (2023). Gold Commodity Price Prediction Using Tree-based Prediction Models. International Journal of Intelligent Systems and Applications in Engineering. No. 11(1s). Pp. 90–96.
  9. Boongasame, L. (2023). Factors Affecting Gold Price Prediction and the Use of Deep Learning Techniques for Gold Price Prediction. In Handbook of Research on Artificial Intelligence and Knowledge Management in Asia’s Digital Economy (pp. 271–299). IGI Global.
  10. Dhokane, R.M., Sharma, O.P. (2023). A Comprehensive Review of Machine Learning for Financial Market Prediction Methods. International Conference on Emerging Smart Computing and Informatics (ESCI).
  11. Dooley, G., & Lenihan, H. (2005). An assessment of time series methods in metal price forecasting.Resources Policy. No. 30(3). Pp. 208–217.
  12. Feldstein, M. (1980). Inflation, tax rules, and the prices of land and gold. Journal of Public Economics. No. 14(3). Pp. 309–317. DOI: 10.1016/0047-2727(80)90029-8
  13. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics. No. 29(5). Pp. 1189–1232. DOI: 10.1214/aos/1013203451
  14. Hajek, P., Novotny, J. (2022). Fuzzy rule-based prediction of gold prices using news affect. Expert Systems with Applications. No. 193. P. 116487. DOI: 10.1016/j.eswa.2021.116487
  15. Kilimci, Z.H. (2022). Ensemble Regression-Based Gold Price (XAU/USD) Prediction. Journal of Emerging Computer Technologies. No. 2(1). Pp. 7–12.
  16. Madziwa, L., Pillalamarry, M., Chatterjee, S. (2022). Gold price forecasting using multivariate stochastic model. Resources Policy. No. 76. P. 102544. DOI: 10.1016/j.resourpol.2021.102544
  17. Parisi, A., Parisi, F., Díaz, D. (2008). Forecasting gold price changes: Rolling and recursive neural network models. Journal of Multinational Financial Management. No. 18(5). Pp. 477–487. DOI: 10.1016/j.mulfin.2007.12.002
  18. Pattnaik, D. Hassan, M.K., DSouza, A., & Ashraf, A. (2022). Investment in Gold: A Bibliometric Review and Agenda for Future Research. Research in International Business and Finance, 101854.
  19. Pesaran, M.H., Smith, R.P. (2019). A Bayesian analysis of linear regression models with highly collinear regressors. Econometrics and Statistics. No. 11. Pp. 1–21. DOI: 10.1016/j.ecosta.2018.10.001
  20. Pierdzioch, C., Risse, M., Rohloff, S. (2015). Forecasting gold-price fluctuations: A real-time boosting approach. Applied Economics Letters. No. 22(1). Pp. 46–50. DOI: 10.1080/13504851.2014.92504
  21. Plakandaras V., Ji, Q. (2022). Intrinsic decompositions in gold forecasting. Journal of Commodity Markets. No. 28. P. 100245. DOI: 10.1016/j.jcomm.2022.100245
  22. Samee, N., Atteia, G., Alkanhel, R., Alhussan, A.A., AlEisa, H.N. (2022). Hybrid Feature Reduction Using PCC-Stacked Autoencoders for Gold/Oil Prices Forecasting under COVID-19 Pandemic. Electronics (Basel). No. 11(7). P. 991. DOI: 10.3390/electronics11070991
  23. Shah, J., Vaidya, D., & Shah, M. (2022). A comprehensive review on multiple hybrid deep learning approaches for stock prediction. Intelligent Systems with Applications, 200111.
  24. Vidal, A., Kristjanpoller, W. (2020). Gold volatility prediction using a CNN-LSTM approach.Expert Systems with Applicatio
  25. Wen, F., Yang, X., Gong, X,. Lai, K. K. (2017). Multi-scale volatility feature analysis and prediction of gold price. International Journal of Information Technology & Decision Making, No. 16(01). Pp. 205–223. DOI: 10.1142/S0219622016500504