مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون و مدل شبکه عصبی

الموضوعات :

محمد عظیم خدایاری ¹ (گروه مدیریت مالی ، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران)
احمد یعقوب نژاد ² (دانشیار گروه حسابداری، دانشگاه آزاد اسلامی واحد تهران مرکزی،تهران،ایران.)
مریم خلیلی عراقی ³ (استادیار گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران)

تاريخ الإرسال : 26 الجمعة , ذو القعدة, 1441 تاريخ التأكيد : 04 الإثنين , صفر, 1442 تاريخ الإصدار : 06 السبت , ربيع الثاني, 1442

الکلمات المفتاحية: سرمایه گذاری, G10, G17, G11, تلاطم بازار, شبکه عصبی. طبقه بندی JEL:G1,

ملخص المقالة :

تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورةسرمایه گذارینقطةآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گیری و پیش بینی کرد و برنامه ای در نظر گرفت که بتوان تلاطم بازار را که برتصمیم سرمایه گذاران تاثیر دارد را مدیریت نمود. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر مقایسه دو روش پیش بینی تلاطم بازار است. نتایج این پژوهش نشان می دهد که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به مجموع مجذور خطا مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد.Volatility as an effective factor in determining investment risk can play an important role in decision making of investors. An appropriate estimate of market volatility in an investment period is an important starting point in investment risk control. Volatility plays a key role in financial markets, so it needs to be recognized and calculated, and plans to manage market volatility that affect investors ' decision. Due to the importance of market volatility, the main objective of this research is to compare two methods before market volatility. The results of this research show that the combination of artificial neural network and financial ratios are capable to predict the volatility of capital market volatility and according to the total error of the model presented using neural network in this research has better performance in the forecasting of capital market volatility than linear regression.

المصادر:

1)   اربابی، فرزین (1397). پیش بینی تلاطم بازدهی سکه طلا در بازار دارایی های مالی (رهیافت ANN-GARCH). فصلنامه اقتصاد مالی، شماره 43، 192-179

2)   حسینیون، نیلوفرسادات؛ بهنامه، مهدی؛ ابراهیمی سالاری، تقی (1395) بررسی تلاطم نرخ بازده بین بازارهای سهام، طلا و ارز در ایران، فصلنامه پژوهش های اقتصادی ایران، سال بیست و یکم ، شماره 66، 150-135

3)   درگاهی، حسن و انصاری، رضا (1387). بهبود مدل­سازی شبکه­های عصبی در پیش­بینی نرخ ارز، با به ­کارگیری شاخص­های تلاطم. فصلنامه تحقیقات اقتصادی، شماره 85، 144-117.

4)   دولو مریم، حیدری تکتم(1396)، پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک، فصلنامه اقتصاد مالی، دانشگاه ازاد اسلامی واحد تهران مرکز، دوره 11، 40، 24-1.

5)   قاسمی عبدالرسول، نظری صبا(1395)، بررسی نقش تعمیق مالی بر تلاطم اقتصاد کلان، فصلنامه اقتصاد مالی، دانشگاه ازاد اسلامی واحد تهران مرکز، دوره 10، شماره 35، 44-27.

6)    کشاورز حداد، غلامرضا و آرش بابایی (1390) الگوسازی تلاطم بازده نقدی در بورس سهام تهران با استفاده از داده های پانل و الگوی GARCH. نشریه پژوهش های مالی، 13 (31) 72-41

7)   نیکو مرام هاشم، پور زمانی زهرا، دهقان عبدالمجید(1393)، سرایت پذیری تلاطم در بازار سرمایه ایران، فصلنامه پژوهشی دانش سرمایه گذاری، شماره 11، 199-179.

8)    Hakkio CS and Keeton WR. (2009). Financial Stress: What Is It, How Can It Be Measured, and Why Does It Matter? Available: http://ideas.repec.org/a/fip/fedker/y2009iqiip5-50nv.94no.2.html.

9)    Illing, M., and Liu, Y. (2006). Measuring Financial Stress in a Developed Country: An Application to Canada. Journal of Financial Stability, Vol. 2, No. 3, PP. 243-265.

10)              Khalifa.A.A.A, Hammoudeh,S. Otranto, E(2014), " Patterns of volatility Transmissions within Regime Switching across GCC and Global Mrkets", International Review of Economics & Finance,29: 512-524.

11)              Mensi, W., Beljid, M., Boubaker, A. & Managi, S. (2013), " Correlations and Volatility Spillovers across Cmmodity and Stock Markets: Linking Energies, Food, and Gold" , Economic Modeling, 32: 15-22

12)              Oet, M.V., Eiben, R., Bianco, T., Gramlich, D., and Ong, S.J. (2011). The Financial Stress Index: Identification of Systemic Risk Conditions. Federal Reserve Bank of Cleveland, Working Paper 11-30.

13)              Roye BV. (2011). Financial Stress and Economic Activity in Germany and the Euro Area. Available: http://www.ifw-members.ifw-kiel.de/publications/financial-stress-and-economic-activity-in-germany-and-the-euro-area/financial-stress-and-economic-activity-in-germany-and-the-euro-area.pdf.

14)              Roye BV. (2012). Financial Stress and Economic Activity in Germany, Available: http://rcea-canada.org/pages/may_2012_rimini/papers/van%20Roye.pdf.

 

                      

یادداشت‌ها