مقایسۀ مدل‌های Riskmetric و GARCH در پیش‌بینی نوسانات شاخص بازده کل بورس اوراق بهادارتهران
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
کلید واژه: پیش‌بینی, نوسان, ریسک‌‌‌متریک, گارچ, شاخص قیمت و بازده نقدی, بورس اوراق بهادار تهران,
چکیده مقاله :
پیش بینی نوسان در بازارهای مالی یک فعالیت بحرانی و کلیدی است و دارای حوزۀ تأثیرگذاری گسترده ای می باشد که شامل سرمایه گذاری، ارزش گذاری اوراق بهادار، مدیریت ریسک و ایجاد سیاست پولی است. همانطور که مشخص است این موارد بوضوح از ارزش زیادی در تصمیم گیریهای اقتصادی برخوردار است بنابراین، توجه به این مسائل سبب ایجاد سؤالهایی از این قبیل می شود که چطور می توانیم بطور مؤثری نوسانات را پیش بینی کنیم و آیا ممکن است که مشخصاً یک تکنیک ترجیح داده شده را انتخاب کنیم؟ روش‌های مختلفی که بوسیلۀ آنها، چنین پیش بینی هایی می تواند بدست آید در ادبیات این موضوع گسترش یافته و در عمل بکار برده شده است. چنین تکنیکهایی، دربرگیرندۀ محدودۀ وسیعی از مدل‌های نسبتاً ساده که از مفروضات ساده استفاده می کنند ( روش گام تصادفی) تا مدل‌های نسبتاً پیچیدۀ واریانس ناهمسانی شرطی خانوادۀ گارچ می باشند. در این تحقیق عملکرد پیش بینی خارج از نمونۀ 6 مدل برای نوسانات روزانۀ شاخص قیمت و بازده نقدی TEDPIX در دورۀ زمانی آغاز 1378 تا پایان 1387 (شامل 2355 مشاهده) مورد ارزیابی قرار گرفته است، که 2300 مشاهدۀ اول برای تخمین پارامترها استفاده شده و باقیماندۀ داده ها برای پیش بینی بکار رفته است. مدل‌هایی که در این تحقیق با هم مقایسه شده اند عبارتند از:مدل Riskmetric و تعدادی از مدل‌های نوع گارچ، شامل مدل GARCH , EGARCH , APARCH , TARCHو IGARCH . برای ارزیابی عملکرد پیش بینی مدل‌های مورد مقایسه، از سه آمارۀ ارزیابی خطااستفاده شده است:MAE,RMSE,Theil. نتایج حاصله از این تحقیق بیانگر آن است که بر اساس هر سه معیار ارزیابی خطا، مدل Riskmetric بطور قابل ملاحظه ای بهترین عملکرد را در مقایسه با پنج مدل دیگر دارد. و از طرف دیگر، مدل EGARCH بدترین عملکرد پیش بینی را ارائه می دهد.
Forecasting of volatility is a critical activity in financial markets. It has a very wide sphere of influence including " investment, security valuation, risk management and monetary policy making". These concerns clearly have particular value in economic decision-making. So, this create the obvious questions: how can we effectively forecast volatility and is it possible to clearly identify a preferred technique? Various methods by which such forecasts can be achieved have been developed in the literature and applied in practice. Such techniques range from the extremely simplistic models that use naïve (random walk) assumptions through to the relatively complex conditional heteroskedastic models of the GARCH family. This paper evaluates the out-of-sample forecasting accuracy of six models for daily volatility of Tehran Dividend Stock Price Index(TEDPIX) during the period from the start of 1378 to the end of 1387(2355 observation). The first 2300 observation is retained for the estimation of parameters and remaining sample is for the forecast period. The following models are employed: Riskmetric model and the GARCH genre of models including GARCH, EGARCH,APARCH,TARCH and IGARCH. These models compare with eachother for selecting the model with best forecasting performance.To this end, we use three error statistics: MAE,RMSE and Theil to evaluate the performance of the competing models. According to all of these statistics; the Riskmetric model provides superior forecasts of volatility. On the other hand, EGARCH model provides worst forecasting performance.