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. Manuscript profile