چکیده:
در این مقاله عملکرد پیش بینی مدل های نوسان شرطی و غیر شرطی (12 مدل) در خصوص پیش بینی نوسان شاخص بازده نقدی و قیمت بورس تهران (TEDPIX) بر اساس معیار ارزیابی میانگین مربعات خطا (RMSE) بررسی شده است. نتایج نشان می دهد؛ عملکرد مدل میانگین متحرک 250 روزه، هموارسازی نمایی و CGARCH طبق معیار RMSE از دیگر مدل ها بهتر است. نتایج مدل های ترکیبی نیز نشان می دهد که در کل، مدل های غیر شرطی عملکرد بهتری نسبت به مدل های شرطی داشته اند. علاوهبر این، نتیجه بهدست آمده از آماره دایبولد ـ ماریانو نشان می دهد که تفاوت معناداری میان قدرت پیش بینی مدل MA250 و مدل CGARCH وجود ندارد.
Modeling and forecasting the volatility of Tehran Exchange Dividend Price Index (TEDPIX)
The present research، analyses the forecasting performance of a variety of conditional and non-conditional models of TEDPIX volatility at the daily frequencies performance criterion namely the root mean square error (RMSE).
Under RMSE، results show MA250 and CGARCH models had better performance between non conditional and conditional models respectively. Results of combined models also show that non-conditional models have had better performance relative to conditional models. Further، result of Diebold- Mariano test shows that the forecasting performance of MA 250 is not statistically significant from that of CGARCH.
خلاصه ماشینی:
مدل سازی و پیش بینی نوسانات بازده در بورس اوراق بهادار تهران رضا تهرانی ١، شاپور محمدی ٢، محمدرضا پورابراهیمی 3 در این مقاله عملکرد پیش بینـی مـدل هـای نوسـان شـرطی و غیـر شـرطی (١٢ مـدل ) در خصوص پیش بینی نوسان شاخص بازده نقدی و قیمت بورس تهـران (TEDPIX) بـر اسـاس معیـار ارزیابی میانگین مربعات خطا (RMSE) بررسی شـده اسـت .
بـه طـور مثـال اکگیری دریافت که مدل هـای GARCH از مـدل هـای ARCH، میـانگین متحـرک نمـایی وزنی و مدل های میانگین تاریخی در پیش بینی نوسان شاخص سهام ماهیانه آمریکا عملکرد بهتری داشته است [٤].
در این مطالعه بر خلاف بیشتر مطالعات انجام شده طیف وسیعی از مـدل هـا بـا همـدیگر مقایسه می شوند و در نهایت برای نتیجه گیری بهتر در خصوص توانایی پیش بینی مـدل هـای مورد استفاده ، نتایج آزمون شده است تا از این طریق بـه نتیجـه گیـری بهتـری در خصـوص توانایی پیش بینی مدل های مورد استفاده دست یافت .
از آنجـا کـه از مـدل هـای میـانگین متحـرک ١٢٠ روزه و هموارسازی نمایی ١ از میان مـدل هـای غیرشـرطی و مـدل هـای CGARCH و GARCH از میـان مـدل هـای شـرطی ، کمتـرین مقـدار RMSE را داشـته انـد؛ بنـابراین ، بـرای دسـته اول (مدل های غیر شرطی ) یک پیش بینی کلی با ترکیب پیش بینی این مدل ها و برای مـدل هـای دسته دوم نیز (مدل های شرطی ) یک پیش بینی کلی با ترکیب پیش بینی مدل های برتر گفتـه شده مطابق روش شرح داده شده به دست مـی آوریـم و قـدرت ایـن دو مـدل ترکیبـی را بـا همدیگر با استفاده از معیار ارزیابی گفته شده مقایسه می نمایم .