Forecasting of return Fluctuations using by combining discrete wavelet transform and GARCH model
Quarterly Journal of Securities Exchange

Quarterly Journal of Securities Exchange

Forecasting of return Fluctuations using by combining discrete wavelet transform and GARCH model

Document Type : Original Article

Authors
Parastoo Asadi Nia 1
seyed mohammad abdollahi keyvani 2
Alireza Heidarzadeh Hanzaei 3
Seyed Shayan Mousavi Rouhbakhsh 1
1 Department of financial management, Tehran North branch, Islamic Azad University, Tehran, Iran.
2 Department of financial management, Tehran North branch,Islamic Azad University,Tehran,Iran
3 Department of financial management, Tehran North branch, Islamic Azad University, Tehran, Iran
10.22034/jse.2019.11161
Abstract
This research is an attempt to introduce a desirable model for modeling and forecasting the fluctuations of financial processes. For modelling the fluctuations of financial processes, we have used the combination of the GARCH model and the discrete wavelet transform. In this thesis, we are presented a model for forecasting fluctuations of returns of exchange price index. Stock price index data has been reviewed. The data was collected from the site https://databank.mefa.ir/data from 1/1/1390 to 29/12/1396. Due to the importance of return on financial data, the returns series is calculated and applied for modeling. After preparing data, the two combination models namely ARMA-ARCH and DWT-GARCH are fitted to the data series. The results show that the DWT-GARCH model has better performance than the ARMA-ARCH model. The DWT-GARCH model can significantly improve prediction outcomes and reduce the conditional variance by overcoming the defects of the GARCH family models that can not model the partial features of a process and maintain the benefits of using models The GARCH family describes the fluctuations.
Keywords
Financial Process
Stock Exchange
Discrete Wavelet
GARCH Process
  1. اشراقی، م.، غفاری، ف.، محمدی، ت. (1395). "پیش بینی بازدهی شاخص صنعت پتروشیمی دربورس اوراق بهادارتهران بااستفاده ازمدلهایARIMAوARFIMA"، فصلنامه اقتصادکاربردی، سال ششم، صفحه 15-26.
  2. کامروافر، م. و هاشمی، ذ. (1396). "بررسی وشناخت متغیرهای اصلی تاثیرگذاربرشاخص کل بورس اوراق بهادار تهران ومدلسازی آن بااستفاده ازشبکه های عصبی مصنوعی ومقایسه نتایج حاصله باتحلیل تکنیکال وموجهای الیوت"، مجله مهندسی مالی ومدیریت اوراق بهادار، دوره  8 , شماره  30 ; ازصفحه 169 تاصفحه 184 .
  3. زمانی، ش.وعلی­فر، م. (1393)." برآوردارزش درمعرض ریسک شاخص صنع   ت فلزات اساسی تحت اثرشوک‌های نرخ ارز"، پژوهشهایاقتصادیایران، دوره 19،شماره 59،صفحه 183-210.
  4. عباسی ن‍ژاد، ح.، گندلی علیخانی، ن.، نادری، ا. (1392). "تحلیل وپیش بینی اثرات غیرخطی دربازارنفت. فصلنامه برنامه ریزی بودجه"، سال هجدهم،شماره3، صفحه 21-48.
  5. عباسی ن‍ژاد،ح. و نادری،ا. (1391). "تحلیل آشوب،تجزیةموجک وشبکةعصبی درپیش بینی شاخص بورس تهران"، فصلنامه تحقیقات مدل­سازی اقتصادی، دوره 2، شماره 8، صفحه 119-140.
  6. مکیان، ن.وموسوی، ف. (1391). "پیش بینی قیمت سهام شرکت فرآورده­های نفتی پارس بااستفاده از شبکه عصبی وروش رگرسیونی: مطالعه موردی: قیمت سهام شرکت فرآورده­های نفتی پارس"، فصلنامه مدلسازی اقتصادی، سال ششم،شماره 2، پیاپی 18،    صفحه 105 - 121.
  7. ابو نوری، ا.، طهرانچیان، ا.، حمزه، م. (1391)، "رابطه بلندمدت بین بی ثباتی نرخ موثرواقعی ارزوشاخص بازدهی صنعت دربازارسهام تهران (رهیافت گارچ چندمتغیره)"، فصلنامه مدلسازی اقتصادی،سال ششم،شماره 2،پیاپی 18،صفحه 1 - 19.
  8. کشاورز حداد، غ. و بابایی، آ. (1390). "مدلسازی تلاطم بازده نقدی دربورس سهام تهرا ن بااستفاده از دادههای پانل ومدل GARCH"، نشریه تحقیقات مالی،دوره 13 ،شماره 31 ،بهاروتابستان 1390 ،صفحه 41 تا ٧٢.
  9. قنبری، ع. خضری، م. ترکی سمایی، ر. (1388). "تخمین ریسک سیستماتیک در مقیاس­های زمانی مختلف با استفاده از شبکه­های مصنوعی مصنوعی"، مجله تحقیقات مالی، 44، 115-134.
  10. مشیری،س.،پاکیزه،ک.، دبیریان، م.، جعفری، ا. (1389). "بررسی رابطه میان بازده ی سهام وتورم بااستفاده ازتجزیه وتحلیل موجک دربورس اوراق بهادارتهران"، پژوهشهای اقتصادی ایران، دوره  13 ،شماره  42 ،صفحه 55 - 74.
  11. دلاوری،م. و رحمتی،ز. (1389). "بررسی تغییرپذیری نوسانات قیمت سکه طلادرایران بااستفاده ازمدلهای”ARCH، دانش و توسعه، شماره 30. صفحه 51-68.
  12. امامی، ک. و محرابیان، آ. (1386)." تاثیرنوسانهای چرخه های تجاری بررشداقتصادی درایران"، پژوهشنامه اقتصادی، دوره  10 ،شماره  1 (پیاپی 36) ،صفحه 59-86 .
  13. ابراهیمی،م. و  سوری،ع. (1385). "رابطه بین تورم ونااطمینانی تورم درایران"، دانش وتوسعه، شماره 18، صفحه 111 – 126.
  14. ابونوری،الفوایزدی،ر. 1385" ،"ارزیابی اثرروزهای هفته دربورس اوراق بهادارتهران با استفاده ازالگوهای آرچوگارچ"،تحقیقات اقتصادی،شماره 72 ، 163 –190 .
  15. کشاورزحداد، غ. و مهدوی، ا. (1384). "آیابازارسهام دراقتصادایران کانالی برای گذرسیاست پولی است؟"، مجله تحقیقات اقتصادی، دوره 40،شماره 4 ، 147-170.

16. Barragán, B.M., Ramos, S.B., Veiga, H. (2015). “Correlations between oil and stock markets: A wavelet-based approach”, Economic Modelling, 50, 212-227.

17. Bollerslev, T. (1986). “Generalized Autoregressive Conditional Heteroscedasticity”, J. of Econom., 31(3), 307–327.

18. Box, G.E.P., Cox, D.R., 1964. “An analysis of transformations”. Journal of the Royal Statistical Society, Series B, 26:211-252.

19. Chan, H.W. and Young, D. (2006). Jumping hedges: “An examination of movements in copper spot and futures markets”, Journal of Futures Markets, Volume 26, Issue 2, Pages 169–188.

20. Engle, R. F. (1982). “Autoregressive conditional heteroskedasticity whith estimate the variance of U.K.inflation, Econometrica”., 50(4), 987-1008.

21. Gherman, M., Terebes, R.,  Borda, M. (2012). “Time series analysis using wavelet and GJR-GARCH models”, 20th European signal processing conference (EUSIPCO 2012), Bucharest, Romania, August 27-31.

22. Higgens, M. L. and A. K. Bera, (1992).” A class of nonlinear ARCH models”, Int. Econ. Rev., 33, 137-158.

23. Jammazi R. (2014) “Oil Shock Transmission to Stock Market Returns: Wavelet-Multivariate Markov Switching GARCH Approach. In: Ramos S., Veiga H. (eds) The Interrelationship Between Financial and Energy Markets”. Lecture Notes in Energy, vol 54. Springer, Berlin, Heidelberg.

24. Jothimani, D., Shankar, R., Yadav, S.S., (2015) “Discrete Wavelet Transform-Based Prediction of Stock Index: A Study on National Stock Exchange Fifty Index”, Journal of Financial Management and Analysis, 28 (2), 35-49.

25. Kenourgios, F.D. and Aristeidis G. Samitas, G. A. (2004). “Testing efficiency of the copper futures market: New evidence from London metal exchange”. Conference in Rhodes

26. Klaassen, F., (2002). “Improving GARCH volatility forecasts with regime-switching GARCH”, Empir. Econ., 27, 363-394.

27. Kumar, S. and Kamaiah, B. (2017). “Return and volatility spillover between Asian equity market: a wavelet approach.”

28. McKenzie, D.M. and Faff, W.R. (2003).” The Determinants of Conditional Autocorrelation in Stock Returns”, Journal of Financial Research, Volume 26, Issue 2, Pages 259–274.

29. Nelson, D. B., (1991). “Conditional heteroscedasticity in asset returns: A new approach”, Econometrica, 59(2), 349-370.

30. Pereira, E. N.,   Scarpin, C. T.,   Júnior, L. A. T. (2015). “Hybrid Wavelet Model for Time Series Prediction”, Applied Mathematical Sciences, 9(149), 7431 – 7438.

31. Watkins, C. and McAleer, M. (2008). “How has the volatility in metals markets changed?”, Mathematics and Computers in Simulation 78, 237-249.

Quarterly Journal of Securities Exchange
Volume 12, Issue 47
Autumn 2019
Pages 110-127