پیش‌بینی نوسانات در صندوقهای قابل‌معامله در بورس تهران (ETF) با استفاده از مدل‌های پرش نوسان تحقق‌یافته (HAR, HAR-J, HARQ, HARQ-J)
محورهای موضوعی : مدیریت ریسک
شیوا حلاجی
1
,
مهدی معدنچی زاج
2
,
فریدون اوحدی
3
,
حمیدرضا وکیلی فرد
4
1 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
3 - گروه مهندسی صنایع، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
4 - گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: پرش, پیش‌بینی, نوسانات,
چکیده مقاله :
هدف: این پژوهش به بررسی پیش‌بینی نوسانات از طریق ریسک پرش در صندوقهای قابل‌معامله در بورس تهران پرداخته است تا از طریق سازوکار پیش‌بینی نوسانات، نقش مهمی را در گزینههای قیمت‌گذاری دارایی‌های مالی بازی کند.
روش‌شناسی پژوهش: در این پژوهش از سه خانواده اصلی خودرگرسیون ناهمگن جهت پیش‌بینی نوسانات با لحاظ‌کردن پرش‌ها در قالب یک مدل اقتصادسنجی با تخمین مدل‌های خودرگرسیون ناهمگن پرداخته است؛ چنانچه مدل‌های مختلف را مورد مقایسه قرار دهد، داده‌های مورداستفاده برای تخمین مدلها تحت مفهوم نوسانات تحقق‌یافته بر اساس داده‌های با فراوانی بالا ایجاد شده است که مقادیر دقیق و دقیقتری را ارائه می‌دهند. ازاین‌رو، داده‌های مورداستفاده پژوهش از طریق شش صندوق سهامی و درآمد ثابت برای یک دوره مالی 1399 الی 1401 به‌صورت روزانه و پانزدهدقیقهای جمعآوری شدند.
یافته‌ها : نتایج بیانگر آن است که از بین صندوقها، قدرت پیشبینیکنندگی نوسانات در صندوقهای سهامی بیش‌تر است. همچنین نتایج نشان داد که خودرگرسیون درجه دوم ناهمگن با پرش، مؤثرترین مدل خودرگرسیون ناهمگن برای مدل‌سازی و پیش‌بینی نوسان تحقق‌یافته بر اساس معیار‌های میانگین مربعات خطا و شبه درست‌نمایی بوده است. به‌علاوه شواهد قویاً تأیید می‌کنند که مدل‌های مبتنی بر تغییرات توان دوم نسبت به همتایان خود در پیش‌بینی نوسان تحقق‌یافته برتری دارند که نوید پیش‌بینی‌های دقیق‌تر و تخمین نوسان بهتر از مدل‌های خودرگرسیون ناهمگن درجه دوم است.
اصالت / ارزش‌افزوده علمی : این پژوهش بینشی به تفاوت بین مدل‌های خودرگرسیون ناهمگن و در گروه مدل خودرگرسیون ناهمگن ارائه داده است تا نتایج آن بتواند مورداستفاده تمامی تحلیلگران و مدیران صندوقهای سرمایهگذاری قرار گیرد.
Objective: This study examines the prediction of volatility through jump risk in Exchange Traded Funds (ETFs) on the Tehran Stock Exchange, aiming to play a crucial role in the pricing options of financial assets through volatility forecasting mechanisms.
Research Methodology: The study employs three main families of heterogeneous autoregressive (HAR) models for volatility forecasting, incorporating jumps within an econometric framework by estimating heterogeneous autoregressive models. By comparing various models, the study utilizes high-frequency data-based realized volatility to provide precise measurements. The data set includes daily and 15-minute interval data collected from six equity and fixed-income funds over the financial period from 2020 to 2022.
Findings: The results indicate that among the funds, the predictive power of volatility is higher in equity funds. Additionally, the findings reveal that the second-order heterogeneous autoregressive model with jumps (HAR-J) is the most effective heterogeneous autoregressive model for modeling and forecasting realized volatility, as determined by the mean squared error and quasi-likelihood criteria. Furthermore, strong evidence supports that second-power variation-based models outperform their counterparts in predicting realized volatility, offering more accurate forecasts and better volatility estimations than second-order heterogeneous autoregressive models.
Originality/Scientific Value: This study provides insights into the differences among heterogeneous autoregressive models, specifically within the heterogeneous autoregressive model group, so that its results can be used by analysts and fund managers for improved financial decision-making.