مدل‏سازی و پیش ‏بینی توزیع بازدهی شاخص کل بازار سرمایه ایران و رمزارز بیت‏کوین با روش زمان متغیر GAS

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

محمد ابراهیم سماوی ¹ , هاشم نیکو مرام ^{2 *} , مهدی معدن چی زاج ³ , احمد یعقوب نژاد ⁴

1 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول)
3 - گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه حسابداری، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1400/11/27 تاریخ پذیرش : 1401/05/30 تاریخ انتشار : 1401/09/01

کلید واژه: بازار سرمایه ایران, بیت‏کوین, پیش‏بینی توزیع بازدهی, مدل‌سازی مالی, مدل GAS,

چکیده مقاله :

پیش بینی بازدهی با کمترین خطا یکی از مسائل بسیار مهم در بازارهای مالی است که مورد توجه پژوهشگران زیادی در چند دهة اخیر قرار گرفته است. مدل های خطی و غیرخطی سنتی با توجه به عدم کارایی کافی مدل های خطی در تلاطم های قیمتی، عدم استخراج صحیح شکل توزیع شرطی داده ها به علت ضبط نشدن پویایی توزیع شرطی در مدل های غیرخطی و وجود فرض‌های محدود کننده خلاف واقعیت، توانایی مناسبی جهت پیش بینی بازدهی در دنیای امروز ندارد. در جهت رفع نقصان مدل های سنتی، در پژوهش حاضر با استفاده از روش نوین زمان-متغیر به نام امتیاز خود رگرسیونی تعمیم یافته (GAS) مدل‌سازی در راستای پیش بینی توزیع بازدهی شاخص کل بورس اوراق بهادار طی بازه 1390 الی 1399 و برای رمزارز بیت کوین طی بازه سال 2014 تا 2020 میلادی انجام شده است. نتایج مدل سازی شده برای دو دارایی توسط مدل نوین GAS با نتایج مدل های GARCH و AR مقایسه شده و عملکرد آنها برای درون و برون نمونه آزموده شده است. نتایج آزمون های درون و برون نمونه ای نشان دهنده این است که جهت پیش بینی توزیع بازدهی روزانه شاخص کل مدل نوین GAS عملکرد بهتری داشته و برای پیش بینی توزیع بازدهی روزانه بیت کوین مدل GARCH ارجح تر بوده است.

چکیده انگلیسی:

Predicting returns with the least error is one of the most important issues in financial markets that has been considered by many researchers in recent decades .Traditional linear and nonlinear models due to the inefficiency of linear models in market turbulence, the lack of correct extraction of the conditional distribution form of data due to the failure to record the conditional distribution dynamics in nonlinear models and the existence of limiting assumptions, it lacks the ability to predict returns in different market conditions. In order to eliminate the disadvantages of traditional models, in the present study using a new time-variable method called generalized autoregressive score (GAS) in order to predict the distribution of return of the total index of the stock exchange during the period 2010 to 2020 and for Bitcoin during the period 2014 to 2020. The results of modeling for the two assets by the new GAS model are compared with the results of the GARCH and AR models and their performance is tested for inside and outside the sample. The results show that in order to predict the daily return, the overall index of the new GAS model has a better performance and in order to predict the daily return of bitcoin, the GARCH model has been preferred.

منابع و مأخذ:

• ارضاء، امیرحسین، صیفی، فرناز. (1399). تاثیر ریسک‌های مالی بر کارایی شرکت‌های بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار، 13(45)، 1-13.


• حسینی دوست، سیداحسان، فطرس، محمدحسن، مساحی، شراره. (1394). کاربرد سامانه‌های پویای پارامتری و ناپارامتری در پیش‌بینی بازدهی سهام: مطالعه موردی بازار بورس تهران. فصلنامه سیاست های مالی واقتصادی ۳ (۱۲) :۱۲۵-۱۴۸.


• دهقانی، مریم، قاسم زاده، محمد، انصاری سامانی، حبیب (1398)، الگوریتم‏های یادگیری ماشین برای سریهای زمانی در بازارهای مالی، مجله علمی پژوهشی رایانش نرم و فناوری اطلاعات، شماره 3، 60-67.


• ذوالفقاری، مهدی، سحابی، بهرام، بختیاران، محمد جواد. (1399). طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدل‌های ترکیبی شبکه یادگیری عمیق و مدل‌های خانواده GARCH). مهندسی مالی و مدیریت اوراق بهادار، 11(42)، 138-171.


• رهنمای رودپشتی، فریدون، صالحی، الله کرم. (1396). مکاتب و تئوری‏های مالی و حسابداری، ناشر دانشگاه آزاد اسلامی مرکز انتشارات علمی، چاپ سوم.


• رهنمای رودپشتی، فریدون، کلانتری دهقی، مهدیه. (1393). مدل‏های مولتی فرکتال در علوم مالی: ریشه، ویژگی‏ها و کاربردهای آنها. دانش مالی تحلیل اوراق بهادار، 7(24)، 25-47.


• سالمی نجف آبادی، مهدی، سعادت فر، نصرالله، کریمی، فرزاد. (1393). پیش بینی بازده فرصت های سرمایه گذاری در بازارهای مالی ایران با توجه به رفتار متقابل بازارها و تشکیل سبد بهینه سرمایه گذاری به وسیله هوش مصنوعی. مدیریت دارایی و تأمین مالی، 2(4)، 35-50.


• عبدالملکی، امیرحسین، حمیدیان، محسن، باغانی، علی. (1399). بررسی وجود ویژگی فراکتال در قیمت و بازده سهام شرکت‌های بورس اوراق بهادار تهران با استفاده از مدل غیر خطی ARIFMA. مهندسی مالی و مدیریت اوراق بهادار، 11(44)، 207-226.


• عیوضی، احیا، مجاهدی موخرف، محمدمهدی، محمدی، تیمور. (1399). تأثیر بازدهی نرخ ارز در چندک‌های مختلف بازدهی سهام - رهیافت رگرسیون کوانتیل. مجلس و راهبرد، 27(103)، 279-306.


• فرزین اربابی، (۱۳۹۷). پیش بینی تلاطم بازدهی سکه طلا در بازار دارایی‏های مالی (رهیافت ANN-GARCH)، نشریه اقتصاد مالی، ۱۲(۴۳)، ۱۷۹-۱۹۲.


• نادمی، یونس، سالم، علی اصغر. (1395). بررسی فرضیه کارایی ضعیف در دو رژیم پرنوسان و کم‌نوسان بازدهی بازار سهام تهران. فصلنامه پژوهش‏ها و سیاست‏های اقتصادی. ۲۴ (۷۷) :۱۳۹-۱۶۲.


• نجارزاده، رضا، ذوالفقاری، مهدی، غلامی، صمد. (1399). طراحی مدلی جهت پیش‏بینی بازده شاخص بورس (با تاکید بر مدل های ترکیبی شبکه عصبی و مدل‏های با حافظه بلندمدت). دانش سرمایه‌گذاری. 9(34)، 231-257.


• Amjad, M., & Shah, (2017). Trading bitcoin and online time series prediction. In NIPS‏ Time Series Workshop, 1^st edition, (pp. 1-15).


• Anatolyev,, & Baruník, J. (2019). Forecasting dynamic return distributions based on ordered binary choice. International Journal of Forecasting, 35(3), 823-835.


• Basak,, Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, 552-567.


• Chivukula,, & Lakshmi, T. J. (2020). Cryptocurrency Price Prediction: A Machine Learning Approach.


• Creal,, Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.


• El Ghourabi,، Nani, A. & Gammoudi, I. (2020). A value‐at‐risk computation based on heavy‐tailed distribution for dynamic conditional score models. International Journal of Finance & Economics.


• Gebka,, & Wohar, M. E. (2019). Stock return distribution and predictability: Evidence from over a century of daily data on the DJIA index. International Review of Economics & Finance, 60, 1-25.


• Harvey, C. (2013). Dynamic models for volatility and heavy tails: with applications to financial and economic time series (Vol. 52). Cambridge University Press.


• Lazar, E., & Xue, (2020). Forecasting risk measures using intraday data in a generalized autoregressive score framework. International Journal of Forecasting، Sensors & Transducers, 244(5), 44-47.


• Linden, (2001). A model for stock return distribution. Internationa Journal of Finance & Economics, 6(2), 159-169.


• Madanchi Zaj, M., Samavi, M., koosha, E. (2021). Measurement of Bitcoin Daily and Monthly Price Prediction Error Using Grey Model, Back Propagation Artificial Neural Network and Integrated model of Grey Neural Network. Advances in Mathematical Finance and Applications, (Article in Press), -. doi: 10.22034/amfa.2020.1881110.1315


• Makatjane KD, Xaba LD, Moroke ND (2017). Application of Generalised Autoregressive Score Model to Stock Returns. International Journal of Economics and Management Engineering Vol. 11, No. 11, P 13-26.


• Pedro Gerhardt Gavronski, Flavio A. Ziegelmann, (2020), Measuring Systemic Risk via GAS models and Extreme Value Theory: Revisiting the 2007 Financial Crisis, Finance Research Letters, Vol. 181, No.11, P 23-37.


• Virbickaitė, A., Frey, C., & Macedo, D. N. (2020). Bayesian sequential stock return prediction through copulas. The Journal of Economic Asymmetries، 22(3), 39-54.


• Yao,, & Xu, B. (2018). Conditional Distribution Prediction of Stock Returns and its Application on Risk Aversion Analysis. Journal of Advanced Computational Intelligence and Intelligent Informatics, 22(4), 448-456.


• Zhang, G., & Li, J. (2018). Multifractal analysis of Shanghai and Hong Kong stockmarkets before and after the connect program. Physica A, 503, 611–622.