پیش‌بینی نوسانات بورس اوراق بهادار تهران با استفاده از مدل خودرگرسیو شرطی مولفه‌ای مبتنی بر دامنه (CCARR)
فصلنامه بورس اوراق بهادار

فصلنامه بورس اوراق بهادار

پیش‌بینی نوسانات بورس اوراق بهادار تهران با استفاده از مدل خودرگرسیو شرطی مولفه‌ای مبتنی بر دامنه (CCARR)

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدمهدی بحرالعلوم 1
مریم حبیبی سیاه پوش 1
مصطفی سرگلزایی 2
1 استادیار، گروه مالی و بانکداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
2 دانشجوی کارشناسی ارشد، گروه مالی و بانکداری ، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
10.22034/jse.2023.12191.2135
چکیده
هدف از انجام این پژوهش دستیابی به یک مدل مطلوب جهت پیش‌بینی نوسانات شاخص بورس اوراق بهادار تهران است. در این مقاله مدل CCARR برای پیش‌بینی نوسانات پیشنهاد شده است و نتایج تخمین آن با مدل‌های معروف GARCH، CGARCHو CARR مورد مقایسه قرار گرفته است.برای اجرای این مدل از روش تخمین حداکثردرست‌نمایی بهره گرفته شده است که اجرای مدل را بسیار راحت می‌کند و همچنین شهودی‌تر است. مدلGARCH و CGARCH از بازدهی قیمتی و مدلCARR و CCARR از دامنه قیمتی برای پیش‌بینی نوسانات استفاده می‌کنند. مدل CCARR و CGARCH، هر دو مولفه بلندمدت (روند) و کوتاه مدت (گذرا) را در نظر می‌گیرند و قابلیت ضبط حافظه بلندمدت نوسانات را دارند. برای تخمین مدل از داده‌های روزانه شاخص‌کل بورس اوراق بهادار تهران شامل کمترین ‌قیمت، بیشترین ‌قیمت و قیمت پایانی طی سال‏های 1388 تا 1400 استفاده شده است. مطابق نتایج، مدل‌های مبتنی بر دامنه نسبت به مدل‌های مبتنی بربازدهی، و مدل‌های دومولفه‌ای نسبت به مدل‌های تک‌مولفه‌ای پیش‌بینی‌های درون‌نمونه‌ای و برون‌نمونه‌ای دقیق‌تری داشته‌اند. به طورکلی مدل CCARR نسبت به سایر مدل‌ها پیش‌بینی‌های دقیق تری داشته است.
کلیدواژه‌ها
پیش‌بینی نوسان
دامنه‌قیمتی
بازدهی قیمتی
حافظه بلندمدت
حداکثر درست‌نمایی
موضوعات

عنوان مقاله English

Forecasting volatility with component conditional autoregressive range model

نویسندگان English

MohammadMahdi Bahrololoum 1
Maryam Habibi Siahpoosh 1
Mostafa Sargolzaei 2
1 Assistant Professor, Department of Finance and Banking, Faculty of Management & Accounting, Allameh Tabataba'i University, Tehran, Iran
2 Master student, Department of Finance and Banking, Faculty of Management & Accounting, Allameh Tabataba'i University, Tehran, Iran
چکیده English

The purpose of this research is to achieve a suitable model for forecasting volatility of a broad market index. In this paper the CCARR model is proposed for forecasting volatility and its estimation results are compared with the popular GARCH, CGARCH and CARR models. The model is intuitive and convenient to implement by using the maximum likelihood estimation method. GARCH and CGARCH models use price returns and CARR and CCARR models use price ranges to predict volatility. CCARR and CGARCH models assume that the price range comprises both a long run (trend) component and a short run (transitory) component, which has the capacity to capture the long memory property of volatility. Daily data of The Tehran Stock Exchange index from 2009 to 2022 including high, low and close prices are used. The results show that range-based models such as CARR and CCARR models fit the data better than return-based models. Also two-component models fit the data better than one-component models. In general, the CCARR model generates more accurate out of sample volatility forecasts than the popular GARCH, component GARCH and CARR models.

کلیدواژه‌ها English

volatility forecasting
Price Range
Price return
long memory
Maximum likelihood
Alizadeh, S; Brandt, M; & Diebold, F. (2002). Range-based estimation of stochastic volatility models. Journal of Finance, 57, 1047–1092
(DOI: https://doi.org/10.1111/1540-6261.00454  )
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. (DOI: https://doi.org/10.1016/0304-4076(86)90063-1 )
Chou, R. (2005). Forecasting financial volatilities with extreme values: The conditional autoregressive range (CARR) model. Journal of Money, Credit and Banking, 37, 561–582. (DOI: https://doi.org/10.1353/mcb.2005.0027 )
Degiannakis, S; & Livada, A. (2013). Realized volatility or price range: Evidence from a discrete simulation of the continuous time diffusion process. Economic Modelling, 30, 212–216. (doi: https://doi.org/10.1016/j.econmod.2012.09.027 )
Ding, Z; & Granger, C. W. J. (1996). Modeling volatility persistence of speculative returns: A new approach. Journal of Econometrics, 73, 185–215. (doi: https://doi.org/10.1016/0304-4076(95)01737-2 )
Emami Pari, H. & Abasi, E. (2016). Estimating and Predicting Tehran Stock Exchange Index Fluctuations Using Daily and Intraday Data. Master's thesis, Alzahra University. (In Persian)
Engle, R. & Lee, G (1999). A long-run and short-run component model of stock return volatility. Cointegration, Causality, and Forecasting. Oxford University Press. (URL:https://global.oup.com/academic/product/cointegration-causality-and-forecasting-9780198296836?cc=ir&lang=en&# )
Esbati, M. & Aslani, P. (2016). Tehran Stock Exchange index volatility forecasts based on open, high, low and closed price Comparison with forecasts based on close price, using GARCH models. Master's thesis, University of Raja. (In Persian)
Harris, R. D. F; Stoja, E; & Yilmaz, F. (2011). A cyclical model of exchange rate volatility. Journal of Banking & Finance, 35(11), 3055–3064. (DOI: https://doi.org/10.2139/ssrn.1604440 )
Hashemi nezhad, M, Ebrahimi, B.  & Afrasiabi, M (2016). Risk assessment and volatility modeling. Tadbir Sarmayeh. (In Persian)
Li, H. Q; & Hong, Y. M. (2011). Financial volatility forecasting with range-based autoregressive volatility model. Finance Research Letters, 8(2), 69–76.
(DOI: https://doi.org/10.1016/j.frl.2010.12.002 )
Maheu, J. (2005). Can GARCH models capture long range dependence? Studies in Nonlinear Dynamics & Econometrics, 9(4), 1–41. (DOI: https://doi.org/10.2202/1558-3708.1269 )
Mincer, J; & Zarnowitz, V. (1969). The evaluation of economic forecasts. In J. Mincer (Ed.). Economic Forecasts and Expectations (NBER) (pp. 3–46). New-York: Columbia University Press for NBER. (URL: http://www.nber.org/chapters/c1214 )
Miura, K. (2011). An Introduction to Maximum Likelihood Estimation and Information Geometry. Interdisciplinary Information Sciences. https://doi.org/10.4036/iis.2011.155
Parkinson, M. (1980). The extreme value method for estimating the variance of the rate of return. Journal of Business, 53, 61–65. (DOI: https://doi.org/10.1086/296071 )
Raei, R. & Pouyanfar, A. (2004). Advanced investment management. The Organization for Researching and Composing University textbooks in the Humanities. (In Persian)
Shoaraee, S. & Sanaee, M. (2010). Modeling and Forecasting Tehran Stock Exchange Return using ARFIMA and FIGARCH. Journal of Financial Accounting, 6: 173-186. (In Persian) (DOR:20.1001.1.23223405.1389.2.4.10.8)
Yajima, Yoshihiro. (1985). on estimation of long-memory time series models. Australian Journal of Statistics. https://doi.org/10.1111/j.1467-842X.1985.tb00576.x
Wu, x. & Hou, X. (2019). Forecasting volatility with component conditional autoregressive range model. North American Journal of Economics and Finance. (DOI: https://doi.org/10.1016/j.najef.2019.101078)
 
فصلنامه بورس اوراق بهادار
دوره 18، شماره 71
پاییز 1404
صفحه 185-208