عنوان پایان‌نامه
پیش بینی نوسان باز دهی با استفاده از مدلهای ترکیبی گارچ - شبکه عصبی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55739
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۱
- دانشجو
- حسین سعیدی
- استاد راهنما
- شاپور محمدی
- چکیده
- مدل¬سازی و پیش¬بینی نوسان بازدهی از عمده وظایف مدیریت ریسک در تعیین استراتژی¬ها و قیمت¬گذاری اختیار معامله، تعیین ارزش در معرض ریسک و ... می¬باشد. به این منظور بطور سنتی از مدل¬های ناهمسانی واریانس شرطی خود رگرسیو یا ARCH(G) استفاده می¬شود. در این پژوهش طیف وسیعی از این مدل¬ها مورد بررسی قرار گرفته و با هدف افزایش کارایی آن¬ها در پیش¬بینی، این مدل¬ها با شبکه عصبی مصنوعی ترکیب شده¬اند. نتایج حاصل از پیش¬بینی مدل¬های ترکیبی از طریق محاسبه خطای برآورد با نتایج مدل¬های پایه¬ای ARCH(G) مورد مقایسه قرار گرفته و کیفیت پیش-بینی مدل¬های ترکیبی از دو نقطه نظر مورد آزمون قرار گرفته است: معنی¬داری تفاوت¬ پیش¬بینی¬ها و جهت تغییرات. اجرای مدل¬ها بر روی شاخص کل بورس اوراق بهادار تهران نشان داد مدل¬های ترکیبی گارچ توانی - میانگین، گارچ نمایی - ¬میانگین و مدل GJR، کمترین خطای پیش¬بینی را داشته¬اند. بررسی تغییرات جهت نوسان نشان می¬دهد مدل¬های ترکیبی همسویی بیشتری با نوسان واقعی نسبت به مدل¬های پایه¬ای گارچ دارند. همچنین مدل¬های ترکیبی گارچ توانی نامتقارن، گارچ نمایی -¬ میانگین و گارچ توانی - میانگین بطور معنی داری خطای پیش¬بینی کمتری نسبت به مدل¬های پایه¬ای خود داشته¬اند. لذا دو گروه مدل ترکیبی گارچ نمایی و گارچ توانی بهترین عملکرد را نشان دادند و از این مدل¬ها برای پیش¬بینی نوسان بازدهی نمونه¬ای آماری از شرکت¬های بورس اوراق بهادار تهران استفاده شد. نتایج پژوهش ضمن تأیید کلی فرضیه تحقیق مبنی بر ارتقاء دقت و کیفیت پیش¬بینی¬ها، نشان می¬دهد چهار مدل ANN-EGARCH، ANN-EGARCH-M، ANN-APGARCH و ANN-PGARCH-M در مجموع بهترین کارایی را در مدل¬سازی نوسان بازدهی به خود اختصاص می¬دهند.
- Abstract
- Volatility modeling and forecasting is the core task in the risk management in which option strategies and pricing, VaR estimation and so on. For this reason traditionally conditional autoregressive heterocedasticity (G)ARCH models is used. In this research general classes of these models are studied and with the aim of enhancing their forecasting performance, these models are combined with artificial neural networks. Forecasting results from hybrid models compared with the results of basic (G)ARCH models in two point of view: Significant difference between the forecasts and the direction. The resuls of models in the Tehran Stock Exchange Index suggest that ANN-PGARCH-M, ANN-EGARCH-M and ANN-GJR-GARCH have the least forecasting errors and the volatility direction comparison demonstrates that hybrid models are more excellent than basic (G)ARCH models. According to the results, ANN-APGARCH, ANN-EGARCH-M and ANN-PGARCH-M provide significant improvement in forecasting. So, the two groups showed the best performance: EGARCH and PGARCH. Then these models are used for volatility forecasting of statistical sample firms in Tehran stock exchange. The results confirm accuracy and quality forecasting improvement and also ANN-EGARCH, ANN-EGARCH-M, ANN-APGARCH and ANN-PGARCH-M are more excellent than other models.
