در این مطالعه، مدل‌سازی نوسانات نهفته و تحلیل بیزین نوسانات تصادفی داده‌های حین روز شاخص بورس اوراق بهادار تهران مبتنی بر زنجیره مارکوف مونت‌کارلو در شرایط عدم قطعیت (بحران نزول شاخص بورس) توسعه داده‌شده است. روش پژوهش حاضر توصیفی از نوع همبستگی می‌باشد. بدین منظور در ابتدا توزیع لگاریتم مربعات بازده به‌عنوان معیاری از نوسانات تحقق‌یافته با استفاده از مدل نوسان تصادفی جهت به‌دست آوردن نوسانات نهفته شبیه‌سازی‌شده و سپس با به‌کارگیری مدل ترکیبی MCMC-Copula پارامترهای موثر بر نوسانات تصادفی شناسایی شده و تخمین در فاز آموزش صورت پذیرفت. در نهایت با استفاده از نتایج به‌دست‌آمده از فاز آموزش، در فاز آزمون به مقایسه مدل‌های کاپولا و گارچ پرداخته شد. نتایج نشان داد کاپولای کلایتون، گامبل، فرانک، جو و گالامبوس دارای شاخص‌های MSE و RMSE مشابه و کمتر از مدل پایه گارچ را ارائه می‌کنند و بنابراین مدل مبتنی بر کاپولا مدل‌سازی امکان وابستگی سریالی را در فرآیند نوسانات نهفته فراهم می‌کند. یافته‌های پژوهش حاضر می‌تواند برای شرکت‌های مالی و سرمایه گذاری جهت سبدگردانی و مدیریت پرتفوی در شرایط مختلف نوسانات بازار در جهت تحقق اهداف سرمایه‌گذار و افزایش ارزش سبد مفید باشد. پرونده مقاله

در این مطالعه، یک روش ترکیبی کاپولا نوسانات تصادفی مبتنی بر زنجیره مارکوف مونت‌کارلو، برای ارزیابی نوسانات نهفته شاخص بورس اوراق بهادار توسعه داده‌شده است. روش پژوهش حاضر توصیفی از نوع همبستگی می‌باشد. داده‌های مورداستفاده به‌منظور تخمین مدل‌ها شامل مقادیر شاخص کل بورس تهران از ابتدای سال 1399 تا ابتدای سال 1400 به‌صورت روزانه در تواتر 30 دقیقه‌ای می‌باشد. همچنین به‌منظور تعیین خطا از داده‌های تاریخ (07/01/1400) الی (30/09/1400) در تواتر 15 دقیقه‌ای استفاده‌شده است. در مطالعه حاضر توزیع لگاریتم مربعات بازده به‌عنوان معیاری از نوسانات تحقق‌یافته با استفاده از مدل نوسان تصادفی جهت به‌دست آوردن نوسانات نهفته شبیه‌سازی‌شده و سپس با به‌کارگیری آمیخته‌ای از توزیع‌های خانواده کاپولا و زنجیره مارکف مونت‌کارلو مدل‌سازی و تخمین در فاز آموزش صورت پذیرفت و درنهایت در فاز آزمون با استفاده از داده‌های برون نمونه جهت تخمین مدل نوسانات تصادفی فاز آزمون بررسی گردید. نتایج نشان می‌دهد که از بین توابع کاپولای گامبل، گالامبوس، جو، کلایتون و فرانک در فاز آزمون، 3 کاپولای گامبل، گالامبوس، جو عملکرد قابل قبولی داشته و ازاین‌بین مدل نوسان تصادفی-گامبل کاپولا مبتنی بر MCMC با کمترین میزان خطا در بین داده‌های برون نمونه عملکرد بهتری را ثبت کرده است. پرونده مقاله