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

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

نویسندگان

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting the Market Return Volatility with GARCH - Artificial Neural Networks Hybrid Models

نویسندگان [English]

  • Hossein Saeedi
  • Shapur Mohammadi
چکیده [English]

This study analyzes and compares a general class of Autoregressive Conditional Heteroscedasticity (G) ARCH models during 126 month in Tehran Stock Exchange index (TEDPIX). The results of models confirmed the clustering volatility, asymmetric relation and nonlinearity property in market returns time series. Then the (G) ARCH models enhanced by artificial neural networks. Results 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.

کلیدواژه‌ها [English]

  • Volatility Forecasting
  • Market Return
  • GARCH Models
  • Artificial Neural Network
  • Hybrid Models.