پیش بینی تلاطم بازده سهام در بورس اوراق بهادار تهران با استفاده از روش شبیه‌سازی MCMC و الگوریتم متروپلیس هستینگ
محورهای موضوعی : دانش مالی تحلیل اوراق بهادارشهرام فتاحی 1 , آزاد خانزادی 2 , مریم نفیسی مقدم 3
1 - دانشیار دانشگاه رازی، دانشکده ی علوم اجتماعی، مدیر گروه اقتصاد
2 - استادیار دانشگاه رازی، دانشکده‌ی علوم اجتماعی، گروه اقتصاد
3 - دانشجوی دکترای دانشگاه تبریز. دانشگاه تبریز، دانشکده اقتصاد
کلید واژه:
چکیده مقاله :
سرمایه گذاری های بازار سهام همواره دارای ریسک بوده است زیرا بازده سهام دارای تلاطم است. تحقیقاتی که تاکنون در رابطه با مدلسازی وپیش بینی تلاطم بازار سهام صورت گرفته عمدتاً با استفاده از روش حداکثر راستنمایی بوده و توجه کمی به روش تخمین بیزی صورت گرفته است. این مقاله پارامترهای مدلGARCH را با استفاده از روش بیزی و تکنیک شبیه سازی MCMC تخمین می زند و سپس نتایج بدست آمده را با روش حداکثر راستنمایی مقایسه می کند. برای این منظور از شاخص بورس اوراق بهادار تهران در بازه ی 7/01/1378 تا 31/01/1393 استفاده شده است.نتایج تحقیق نشان می‌دهد که در نمونه های کوچک روش حداکثر راستنمایی کارایی کمتری نسبت به روش بیزی دارد اما همانطور که حجم نمونه افزایش می یابد کارایی و دقت پیش بینی در هردو روش همگرا می شود، به طوریکه تابع توزیع پارامترها در نمونه‌های کوچک به صورت مجانبی نامتقارن است و با افزایش تعداد داده ها به سمت توزیع مجانبی متقارن میل می کند.در پایان، نتایج پیش بینی نوسانات تایید کننده ی ادعای فوق است.
Stock market investments always have been risky because stock returns are volatile. The studies have ever been done on modeling and forecasting stock market volatility has mainly applied the maximum likelihood method and little attention has been paid to the Bayesian estimation method. The reason was that it was assumed that the maximum likelihood method does the best fitting with small volumes of samples. This study tries to estimate GARCH model parameters using Bayesian approach and MCMC algorithm to compare it with maximum likelihood alternative using the daily TEPIX index of Tehran Stock Exchange over the period April 6, 1999 April 20, 2014. For this purpose, the data is divided into three subsamples. The results indicates that; in small samples; the maximum likelihood method is less efficient than Bayesian method but as the sample size increases the efficiency and forecasting accuracy converge in both methods so that distribution function of the parameters is asymptotically asymmetric in small samples and converges to symmetric asymptotic distribution as the sample size increases.
