Modeling and Forecasting Distribution of Return on the Tehran Stock Exchange Index and Gold with Time Variable Method

Subject Areas : Statistics

Mohammad Ebrahim Samavi ¹ , Hashem Nikoomaram ^{2 *} , Mahdi Madanchi Zaj ³ , Ahmad Yaghobnezhad ⁴

1 - Department of Financial Management,, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 - Department of Financial Management, Tehran Sciences and Researches Branch, Islamic Azad University, Tehran, Iran.
3 - Department of Financial Management,, Electronic Campus, Islamic Azad University Tehran, Iran
4 - Department of Accounting, Central Tehran Branch, Islamic Azad University, Tehran, Iran.

Received: 2022-02-21 Accepted : 2022-06-15 Published : 2024-08-13

Keywords: Predicting Distribution of Return, Mathematical Modeling for Finance, GAS Model, gold, Iran Capital Market,

Abstract :

در ده‌های اخیر، به صورت ویژه از سال 2000 میلادی روش‌های پیشرفته ریاضی جهت مدلسازی مالی کاربرد فراوانی پیدا کرده است به طوری که با استفاده از این روش‌های می‌توان به بسیاری از چالش‌های اساسی علوم مالی فائق آمد. پیش‌بینی بازدهی با کمترین خطا یکی از مسائل بسیار مهم در بازارهای مالی است که مورد توجه پژوهشگران زیادی در چند دهه‌ی اخیر قرار گرفته است. مدل‌های خطی و غیر خطی سنتی با توجه به عدم کارایی کافی مدل‌های خطی در تلاطم‌های قیمتی، عدم استخراج صحیح شکل توزیع شرطی داده‌ها به علت ضبط نشدن پویایی توزیع شرطی در مدل‌های غیرخطی و وجود فرض‌های محدود کننده خلاف واقعیت، توانایی مناسبی جهت پیش‌بینی بازدهی در دنیای امروز ندارد. در جهت رفع نقصان مدل‌های سنتی، در پژوهش حاضر با استفاده از روش نوین ریاضی زمان-متغیر به نام امتیاز خود رگرسیونی تعمیم یافته (GAS) مدلسازی در راستای پیش‌بینی توزیع بازدهی شاخص کل بورس اوراق بهادار طی بازه 1390 الی 1399 و برای طلا طی بازه سال 2010 تا 2020 میلادی انجام شده است. نتایج مدلسازی شده برای دو دارایی توسط مدل نوین GAS با نتایج مدل‌های GARCH و AR مقایسه شده و عملکرد آنها برای درون و برون نمونه آزموده شده است. نتایج آزمون‌های درون و برون نمونه‌ای نشان دهنده این است که جهت پیش‌بینی توزیع بازدهی روزانه شاخص کل مدل نوین GAS عملکرد بهتری داشته و برای پیش‌بینی توزیع بازدهی روزانه طلا مدل همانند شاخص کل مدل GAS ارجح‌تر بوده است.

References:

[1] 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.

[2] El Ghourabi، M.، 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.

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

[4] 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.

[5] Basak، S.، 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.

[6] رهنمای رودپشتی، فریدون، کلانتری دهقی، مهدیه. (1393). مدل¬های مولتی فرکتال در علوم مالی: ریشه، ویژگی¬ها و کاربردهای آنها. دانش مالی تحلیل اوراق بهادار، 7(24)، 25-47.

[7] صمدي، فاطمه، رهنماي رودپشتي، فريدون و نيكومرام، هاشم (1395). بررسي بازده در شرکت سرمايه گذاري با سه روش مارکو سويچينگ، بازده متقارن و نامتقارن، مهندسي مالي و مديريت اوراق بهادار (مديريت پرتفوي)، دوره 7 ، شماره 29، 131 -150.

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

[9] Yao، Y.، & 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.

[10] Creal، D.، Koopman، S. J.، & Lucas، A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics، 28(5)، 777-795.

[11] نادمی، یونس، سالم، علی اصغر. (1395). بررسی فرضیه کارایی ضعیف در دو رژیم پرنوسان و کم‌نوسان بازدهی بازار سهام تهران . فصلنامه پژوهش ها وسیاست های اقتصادی. ۲۴ (۷۷) :۱۳۹-۱۶۲.

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

[13] Zhu، S.، Fan، M.، & Li، D. (2014). Portfolio management with robustness in both prediction and decision: a mixture model based learning approach. Journal of Economic Dynamics and Control، 54(2), 27-53.


[14] Amjad، M.، & Shah، D. (2017). Trading bitcoin and online time series prediction. In NIPS Time Series Workshop, 1st edition, (pp. 1-15).

[15] Gebka، B.، & 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.

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

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

[18] Chivukula، R.، & Lakshmi، T. J. (2020). Cryptocurrency Price Prediction: A Machine Learning Approach.

[19] سیدنژاد فهیم، سیدرضا، سهرابی، نرگس، موقری، هادی. (1394). پیش بینی بازده سهام با استفاده از روش انقباضی LASSO. مطالعات حسابداری و حسابرسی، 4(13)، 40-53.

[20] نیکوسخن، معین. (1397). ارائه یک مدل ترکیبی بهبود‌یافته با انتخاب وقفه‌های خودکار برای پیش‎بینی بازار سهام. تحقیقات مالی، 20(3)، 389-408.

[21] نجارزاده، رضا، ذوالفقاری، مهدی، غلامی، صمد. (1399). طراحی مدلی جهت پیش بینی بازده شاخص بورس (با تاکید بر مدل¬های ترکیبی شبکه عصبی و مدل های با حافظه بلندمدت). دانش سرمایه‌گذاری. 9(34)، 231-257.

[22] 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.

[23] صدیقی، مجتبی و رستمی مال خلیفه، محسن، (1399)، پیش¬بینی ورشکستگی مالی با استفاده از مدل ترکیبی تحلیل پوششی داده¬ها و تحلیل رابطه خاکستری (مطالعه موردی: شرکت¬های مشمول ماده ۱۴۱ قانون تجارت در بورس اوراق بهادار تهران)، ششمین کنفرانس ملی علوم انسانی و مطالعات مدیریت.