پیشبینی نوسانات در صندوقهای قابل معامله در بورس تهران (ETF) با استفاده از مدلهای پرش نوسان تحقق یافته (HAR, HAR-J, HARQ, HARQ-J
محورهای موضوعی : مدیریت ریسکشیوا 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: پیشبینی, نوسانات, پرش,
چکیده مقاله :
چکیده: هدف:این پژوهش به بررسی پیشبینی نوسانات از طریق ریسک پرش صندوقهای قابل معامله در بورس (ETF) تهران با استفاده از دادههای شش صندوق سهامی و درآمد ثابت برای یک دوره مالی 1399 الی 1401 با وجود مشاهدات با فروانی بالا که به صورت روزانه و پانزده دقیقهای هستند پرداخته است. روششناسی پژوهش:در این پژوهش از سه خانوادهاصلی خودرگرسیون ناهمگن (HAR) جهت پیشبینی نوسانات با لحاظ کردن پرشها در قالب یک مدل اقتصادسنجی با تخمین مدلهای HAR پرداخته است. نتایج نشان داده است که از بین صندوقها، قدرت پیشبینی کنندگی نوسانات در صندوقهای سهامی بیشتر است. یافتهها:نتایج همچنین نشان داد که مدل HARQ-J مؤثرترین مدلHARبرای مدلسازی و پیشبینی نوسان تحققیافته (RV) بر اساس معیارهای میانگین مربعات خطا (MSE) و شبه درستنمایی (QLIKE) بوده است. به علاوه شواهد قویاً تأیید میکنند که مدلهای مبتنی برتغییرات توان دومنسبت به همتایان خود در پیشبینیRV برتری دارند که نوید پیشبینیهای دقیقتر و تخمین نوسان بهتر از مدلهای HARQ است. اصالت / ارزشافزوده علمی: نتایج این پژوهش میتواند مورد استفاده تمامی تحلیلگران و مدیران صندوقهای سرمایهگذاری قرار گیرد.
Abstract This study undertook an investigation into the forecasting of volatility pertaining to jump risks within exchange-traded funds (ETFs) in Tehran. The investigation was conducted employing data sourced from six stock and fixed income funds over the financial period spanning from 2019 to 2022. The data encompassed high-frequency daily observations at intervals of 15 minutes. In the course of this research, three principal categories of heterogeneous autoregression (HAR) models were employed to prognosticate volatility. These models incorporated jumps within an econometric framework, realized through the estimation of HAR models.The findings of the study demonstrated that, among the diverse range of funds considered, a heightened predictive capacity for volatility was discernible within the realm of stock funds. Notably, the results underscored the HARQ-J model as the most efficacious among the employed HAR models. This model demonstrated proficiency in both the modeling and forecasting of realized volatility (RV), a conclusion drawn based on assessment using metrics such as the mean square error (MSE) and the quasi-likelihood (QLIKE) criteria. Furthermore, compelling evidence substantiated the superiority of models predicated on bipower variation models when it comes to predicting RV. This observation holds the promise of more accurate prognostications and enhanced volatility estimation in comparison to their HARQ counterparts.