بررسی حافظه بلندمدت و بکارگیری تجزیه موجک جهت بهبود عملکرد پیش بینی نوسانات بازار سهام
محورهای موضوعی : دانش مالی تحلیل اوراق بهادارشمس اله شیرین بخش 1 , اسماعیل نادری 2 , نادیا گندلی علیخانی 3
1 - ندارد
2 - مسئول مکاتبات
3 - ندارد
کلید واژه: پیش بینی, بورس, حافظه بلندمدت, تجزیه موجک, مدلARFIMA, مدل.FIGARCH,
چکیده مقاله :
شاخصهای بازارهای مالی، دارای تناوب و تلاطم بسیار زیادی بوده که این امر سبب شکلگیری نوعخاصی از نامانایی گشته که به آن نامانایی کسری اطلاق میگردد. این ویژگی موجبات شکلگیری حافظهبلندمدت در ایننوع از سریهای زمانی را فراهم میآورد. از اینرو، این مطالعه ضمن بررسی وجود ویژگیحافظه بلندمدت در سری بازدهی بورس، به پیشبینی نوسانات این شاخص به کمک مدلهای مبتنی بر حافظهبلندمدت و نیز تجزیه موجک، میپردازد. جهت رسیدن به این هدف، از دادههای سریزمانی روزانه شاخصقیمت و بازده نقدی بورس اوراق بهادار تهران، طی دوره زمانی پنجم فروردین 1388 تا هجدهم اردیبهشتماه 1391 استفاده شده است. بر پایه نتایج این پژوهش، وجود ویژگی حافظه بلندمدت در این سری موردتأیید قرار میگیرد و بر این اساس بهترین مدل جهت تبیین رفتار نوسانات سری مذکور، مدل غیرخطیمیباشد. همچنین، جهت پیشبینی نوسانات شاخص بازدهی بورس، از ARFIMA(1,2)-FIGARCH(BBM)مدل مذکور بر اساس سطح دادهها و نیز دادههای تجزیه شده، استفاده گردید که بر مبنای معیارهای خطایمدل مبتنی بر دادههای تجزیه شده با تکنیک موجک از نتایج قابل قبولتری ،RMSE و MSE پیشبینیبرخوردار بوده است.
Because of very large frequency and volatility in Financial markets Indicators, acertain type of non stationary is created that it refers to the fraction non stationary. Thiscauses, provides Long memory in this type of time series. Hence, this study has inaddition to examine the existence of the long memory in both mean and varianceequations in the return series of Tehran stock exchange, Pays to forecasting the volatilityof this index. For this purpose, the daily data from fifth Farvardin 1388 to eighteenthOrdibehesht 1391 is used. Our results confirm the existence of Long Memory in bothmean and variance equations. However, among others, based on the information criteriaand MSE, ARFIMA (1,2)-FIGARCH(BBM) model has been selected as the bestspecification to model and forecast the volatility of Tehran stock exchange’s return. Aswell, in order to Forecasting the volatility of this series, was used Combination of theabove model with Level and decomposed data. The results show that, according to theforecasting error criteria (MSE and RMSE), the result of model’s based on decomposeddata (with wavelet technique), more acceptable.