پیش بینی بازدهی با کمترین خطا یکی از مسائل بسیار مهم در بازارهای مالی است که مورد توجه پژوهشگران زیادی در چند دهة اخیر قرار گرفته است. مدل های خطی و غیرخطی سنتی با توجه به عدم کارایی کافی مدل های خطی در تلاطم های قیمتی، عدم استخراج صحیح شکل توزیع شرطی داده ها به علت ضبط نشدن پویایی توزیع شرطی در مدل های غیرخطی و وجود فرض‌های محدود کننده خلاف واقعیت، توانایی مناسبی جهت پیش بینی بازدهی در دنیای امروز ندارد. در جهت رفع نقصان مدل های سنتی، در پژوهش حاضر با استفاده از روش نوین زمان-متغیر به نام امتیاز خود رگرسیونی تعمیم یافته (GAS) مدل‌سازی در راستای پیش بینی توزیع بازدهی شاخص کل بورس اوراق بهادار طی بازه 1390 الی 1399 و برای رمزارز بیت کوین طی بازه سال 2014 تا 2020 میلادی انجام شده است. نتایج مدل سازی شده برای دو دارایی توسط مدل نوین GAS با نتایج مدل های GARCH و AR مقایسه شده و عملکرد آنها برای درون و برون نمونه آزموده شده است. نتایج آزمون های درون و برون نمونه ای نشان دهنده این است که جهت پیش بینی توزیع بازدهی روزانه شاخص کل مدل نوین GAS عملکرد بهتری داشته و برای پیش بینی توزیع بازدهی روزانه بیت کوین مدل GARCH ارجح تر بوده است. پرونده مقاله

رفتار توده‌وار یا رمه‌ای یکی از مهم‌ترین سوگیری‌های رفتاری است که در بازارهای مالی وجود دارد و از عوامل شکل‌دهنده بحران‌های مالی است. با توجه به اینکه رفتار رمه‌ای به صورت مستقیم بر قیمت اثر می‌گذارد، از این رو پیش‌بینی قیمت بر اساس داده‌های قیمتی گذشته نشان از وجود رفتار رمه‌ای در بازار دارد. این مقاله با هدف بررسی وجود رفتار رمه‌ای در بورس اوراق بهادار تهران مدلی زمان متغیر غیرخطی نوینی به نام امتیاز خود رگرسیونی تعمیم یافته (GAS) ارائه کرده و با مدل-های غیرخطی سنتی GARCH و AR نیز قیاس شده است. در راستای پیش‌بینی بازدهی شاخص بورس اوراق بهادار تهران جهت تشخیص وجود رفتار رمه‌ای، از داده‌های قیمتی طی بازه 1390 الی 1399 استفاده شده است. توان و دقت پیش‌بینی توزیع بازدهی مدل نوین GAS با نتایج مدل‌های غیرخطی GARCH و AR در داده‌های درون و برون نمونه‌ای جهت تشخیص وجود رفتار رمه‌ای قیاس شده است. نتایج پژوهش در آزمون‌های درون و برون نمونه‌ای نشان دهنده دقت بالاتر مدل نوین GAS نسبت به مدل‌های سنتی GARCH و AR در پیش‌بینی توزیع بازدهی روزانه شاخص کل بورس اوراق بهادار تهران بوده و همچنین وجود رفتار رمه‌ای در بازار سرمایه ایران تایید شده است. پرونده مقاله

Since calculating the amount of fractal in the ARFIMA time series and increasing its ‎accuracy and bring it closer to reality is very important, this article intends to ‎investigate the possibility of modifying this computational formula by changing the ‎focus criterion and using simulation. In the present paper, by analysing and ‎simulating the fractal parameter for time series ARFIMA model and redefining and ‎reviewing the Fractal mathematical, a fractal calculus and dimension in ‎comparison ‎with Euclidean norms introduced. In this regard, first, a new criterion about fractal ‎or Hausdorff ‎component for measuring the forms of fractal time series introduced, ‎then the effects and functional ‎inquiries using simulation data searched, and some ‎mathematical proofs through simulation of ‎data achieved. The findings showed that, ‎the deviation of the new estimator from the simulated initial value is less, and closer ‎to reality as this new criterion introduced by changing the focus criterion and ‎replacing the mean with the median due to less sensitivity to out-dated data. The ‎new criterion is better for determining the fractal parameter and identifying its ‎degree of effectiveness. Finally, the findings empirically indicated that the proposed ‎criterion is more efficient and better ‎than the others for calculating fractal ‎dimensions.‎ پرونده مقاله

In recent decades, especially since 2000, advanced mathematical methods for financial modeling have been widely used so that the basic challenges of financial science can be overcome by using these methods. The first step in risk management in the field of investment is to calculate the variable that explains the risk accurately. One of the most widely used criteria for calculating risk is the value at risk, which has been the focus of financial researchers for the past three decades. The aim of the present study is dynamic modeling and variable time using a technique called Generalized Autoregressive Score (GAS) to estimate value at risk in TSE by using daily data since 2010 to 2020 and assuming the distribution of t-student. its results are compared with the results of known AR and GARCH models. For TSE only two models, GAS and GARCH, are suitable for estimating value at risk and GAS model is preferable. Also, the duration of risk of value at risk errors for all three models for gold and TSE lacks long-term memory, indicating its reliance on financial turmoil. پرونده مقاله

گام اول مدیریت ریسک در حوزه سرمایه‌گذاری محاسبه با دقت بالای متغیر توضیح‌دهنده ریسک می‌باشد. یکی از معیارهای محاسبه پرکاربرد ریسک ارزش در معرض ریسک است که طی سه دهه اخیر همچنان مورد توجه پژوهشگران مالی بوده است. مدل‌های پارامتریک سنتی محاسبه ارزش در معرض ریسک دارای مفروضاتی هستند که با پیچیدگی و واقعیت فعلی بازارهای مالی تطابق ندارد و از طرفی به دلیل عدم‌پویایی در بازارهای پر تلاطم از دقت کافی برخوردار نیستند. از این رو هدف پژوهش حاضر، مدلسازی پویا و زمان متغیر با استفاده از تکنیکی با نام امتیاز خودبرازشی تعمیم یافته (GAS) در جهت برآورد ارزش در معرض ریسک بیت‌کوین و طلا با استفاده از داده‌های روزانه از سال 2010 تا 2020 میلادی با فرض توزیع تی‌استیودنت انجام شده و نتایج آن با نتایج مدل‌های شناخته شده AR و GARCH مقایسه گردیده است. یافته‌ها نشان داد که برای انس جهانی طلا مدل‌های GAS، GARCH و AR در سطح خطای 5 درصد قابلیت تخمین ارزش در معرض ریسک را داشتند که از این بین مدل GAS بهترین عملکرد را داشت. برای رمزارز بیت‌کوین تنها دو مدل GAS و GARCH تخمین‌زننده مناسب ارزش در معرض ریسک می‌باشند که مدل GARCH ارجح‌تر است. پرونده مقاله