پیش بینی نوسانات بازده بازار با استفاده از مدل های ترکیبی گارچ ـ شبکه عصبی

Abstract

در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تأیید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق گوناگونی مورد آزمون قرار گرفته است. این نتایج نشان می دهد مدل های ترکیبی گارچ توان ـ میانگین، گارچ نمایی ـ 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- میانگین نمایی و گارچ- میانگین توانی بطور معنی داری خطای پیش بینی کمتری نسبت به مدل های پایه ای خود داشته اند.