ارزیابی عملکرد مدل گارچ تحقق‌یافته برای برآورد واریانس شرطی شاخص بورس تهران
محورهای موضوعی : دانش سرمایه‌گذاری
محمدامین زابل
1
(دانشجوی دکترای علوم اقتصادی، دانشگاه سمنان، سمنان، ایران (نویسنده مسئول))
اسمعیل ابونوری
2
(استاد اقتصادسنجی و آماراجتماعی، گروه اقتصاد دانشگاه سمنان، سمنان، ایران)
کلید واژه: ارزیابی مدل‌های گارچ, مدل گارچ تحقق‌یافته, بورس تهران,
چکیده مقاله :
برآورد تلاطم دارایی‌های مالی کاربرد فراوان در علم مالی دارد. از آنجاکه واریانس شرطی برگرفته‌شده از مدل گارچ میتواند سنجه مناسبی برای برآورد تلاطم باشد، این مدل ها از اهمیت بالایی برخوردار هستند. از کاربردهای برآورد واریانس شرطی می‌توان به ارزش گذاری اختیار معامله، انتخاب پورتفوی بهینه و مدیریت ریسک اشاره نمود. یکی از جدیدترین روش‌های برآورد واریانس شرطی، روش گارچ تحقق‌یافته می‌باشد که در آن واریانس شرطی و تلاطم تحقق‌یافته درون‌دوره ای به‌صورت همزمان مدلسازی می‌شود. در این مقاله واریانس شرطی با روش‌های GARCH، EGARCH و GJR-GARCH و همچنین مدل RGARCH با دو معیار مختلف از تلاطم تحقق یافته درون دوره ای شاخص کل بورس تهران در فاصله زمانی آبان سال 1388 تا مهر 1395 محاسبه و در نهایت مقایسه شده است. برای ارزیابی خوبی برازش از مقدار تابع درست‌نمایی استفاده شده است: با توجه به این معیار، مدل‌های گارچ تحقق‌یافته از خوبی برازش بالاتری بر داده های درون نمونه برخوردار بوده اند. برای ارزیابی دقت پیش بینی واریانس شرطی نیز از روش پنجره غلتان با دو تابع زیان MSE و QLIKE استفاده شده است. نتایج حاکی از آن است که مدل‌های گارچ تحقق‌یافته چه در برازش داده و چه در پیش‌بینی واریانس شرطی(تلاطم) شاخص بورس تهران از دقت بیشتری برخوردار هستند. از این رو استفاده از مدل گارچ تحقق یافته مدل در کارهای عملی نظیر ارزش گذاری و مدیریت ریسک، به دقیق تر شدن برآوردها منجر می شود.
Forecasting the volatility of a financial asset has wide implications in finance. Conditional variance extracted from GARCH framework could be a suitable proxy of financial asset volatility. Option pricing, portfolio optimization and risk management are examples for implications of conditional variance forecasting. One of the most recent methods of volatility forecasting is Realized GARCH (RGARCH) that considers simultaneous model for both realized volatility and conditional variance at the same time. In this article, we estimate conditional variance with GARCH, EGARCH, GIR-GARCH and RGARCH with two realized volatility estimators using Tehran Exchange Price Index (TEPIX). We compared models, for in sample fitting, by the log likelihood value and used MSE and QLIKE lose functions to evaluate predicting accuracy. The results show that the RGARCH method for TEPIX outperforms the other methods in both ways. So, using RGARCH model in practical situations like pricing and risk management would tend to better results.
Andersen, T. G., Bollerslev, T., Diebold, F. X., & Labys, P. (2003). Modeling and Forecasting Realized Volatility. Econometrica, 71 (2), 579-625.
Badescu, A., Elliott, R. J., & Ortega, J. P. (2015). Non-Gaussian GARCH option pricing models and their diffusion limits. European journal of operational research, 247(3), 820-830.
Barndorff-Nielsen, O. E. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2 (1), 1-37.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics ,31(3), 307-327.
Engle, R. (2002). New Frontiers for Arch Models. Journal of Applied Econometrics, 17 (5), 425-446.
Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50 (4), 987-1007.
Engle, R. F., & Gallo, G. M. (2006). A multiple indicators model for volatility using intra-daily data. Journal of Econometrics, 131(1-2), 3-27.
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48 (5), 1779-1801.
Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)?. Journal of Applied Econometrics, 20 (7), 873-889.
Hansen, P. R., Huang, Z., & Shek, H. H. (2012). Realized GARCH: a joint model for returns and realized measures of volatility. Journal of Applied Econometrics, 27(6), 877-906.
Huang, Z., Wang, T., & Hansen, P. R. (2017). Option Pricing with the Realized GARCH Model: An Analytical Approximation Approach. Journal of Futures Markets, 37(4), 328-358.
Knight, F. (2013). Risk, uncertainty and profit. Wilmington: Vernon Press.
Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A Nee Approach. Econometrica, 59 (2), 347-370.
Patton, A. J. (2011). Volatility forecast comparison using imperfect volatility proxies. Journal of Econometrics, 160 (1), 246-256.
Ranković, V., Drenovak, M., Urosevic, B., & Jelic, R. (2016). Mean-univariate GARCH VaR portfolio optimization: Actual portfolio approach. Computers & Operations Research, 72, 83-92.
Sahamkhadam, M., Stephan, A., & Östermark, R. (2018). Portfolio optimization based on GARCH-EVT-Copula forecasting models. International Journal of Forecasting, 34(3), 497-506.
Sharma, P. (2016). Forecasting stock market volatility using Realized GARCH model: International evidence. The Quarterly Review of Economics and Finance, 59, 222-230.Bottom of Form
Shephard, N., & Sheppard, K. (2010). Realising the future: forecasting with high-frequency-based volatility (HEAVY) models. Journal of Applied Econometrics, 25 (2), 197-231.
Tian, S., & Hamori, S. (2015). Modeling interest rate volatility: A Realized GARCH approach. Journal of Banking and Finance, 61, 158-171
_||_