این پژوهش به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیشبینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی شاخص کل بورس موجب شده تا علاوه بر مدلهای دارای چکیده کامل
این پژوهش به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی مصنوعی، جهت پیشبینی بازدهی روزانه شاخص بورس اوراق بهادار تهران طی فاصله زمانی 1396-1387 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی شاخص کل بورس موجب شده تا علاوه بر مدلهای دارای حافظه کوتاهمدت GARCH و EGARCH در این پژوهش از مدلهای FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی بهتر مدلهای ترکیبی (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH (اعم از کوتاهمدت و بلندمدت) با شبکه عصبی مصنوعی ترکیب و با استفاده از مدلهای ترکیبی حاصلشده، بازده شاخص بورس برای 10 روز آینده بهصورت گامبهگام پیشبینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافتههای تحقیق نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیشبینی بازده شاخص کل سهام کارآمدتر و دارای خطای پیشبینی کمتری نسبت به سایر مدلهای رقیب است.
پرونده مقاله
از دیدگاه سرمایه گذاران ، قدرت نقدشوندگی یک بازار یکی از معیارهای مهم در انتخاب آن بازار برای سرمایه گذاری محسوب می شود. هدف از این مقاله مقایسه کارایی 5 مدل از مدل های خانواده GARCH در مدل سازی واندازه گیری ریسک نقدشوندگی بورس اوراق بهادار تهران است. در این راستا ، داد چکیده کامل
از دیدگاه سرمایه گذاران ، قدرت نقدشوندگی یک بازار یکی از معیارهای مهم در انتخاب آن بازار برای سرمایه گذاری محسوب می شود. هدف از این مقاله مقایسه کارایی 5 مدل از مدل های خانواده GARCH در مدل سازی واندازه گیری ریسک نقدشوندگی بورس اوراق بهادار تهران است. در این راستا ، داده های سری زمانی به صورت روزانه از سال81 تا90 جمع آوری شدند.سپس با استفاده از برخی از مدل های خانواده GARCH به مدل سازی ریسک نقد شوندگی بازار پرداخته شد.در این پژوهش ، از معیار عدم نقدشوندگی آمیهود به عنوان معیار نقدشوندگی استفاده گردید. در ضمن، محاسبه معیار آمیهود بر اساس بازده شاخص کل قیمت (تپیکس)، صورت گرفته است.نتایج این پژوهش حاکی ازاین است که از بین 5 مدلی که از خانواده گارچ به منظور مدل سازی ریسک نقدشوندگی بورس اوراق بهادار تهران استفاده شد مدل ARCH-M بهترین مدل برای مدل سازی ریسک نقدشوندگی می باشد.
پرونده مقاله
در سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلها چکیده کامل
در سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلهای منتخب خانواده GARCH جهت پیشبینی کوتاهمدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته میشود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدلهای معین، میتواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدلهای شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاهمدت و بلندمدت (RNN-LSTM) انتخاب و از مدلهای دارای حافظهکوتاه مدت GARCH و EGARCH در ساختار آن استفاده میشود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیشبینی دقیقتر دادههای مالی میکند. نتایج تحقیق نشان میدهد که مدلهای ترکیبی دقت پیشبینی بالاتری نسبت به مدلهای تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند.
پرونده مقاله
پژوهش حاضر به معرفی مدلهایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدلسازی و پیشبینی بازدهی روزانه بیتکوین طی دوره 1398-1392 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیتکوین موجب شده تا علاوه بر چکیده کامل
پژوهش حاضر به معرفی مدلهایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدلسازی و پیشبینی بازدهی روزانه بیتکوین طی دوره 1398-1392 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیتکوین موجب شده تا علاوه بر مدلهای دارای حافظه کوتاهمدت GARCH و EGARCH در این پژوهش از مدلهای FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی بهتر مدلهای ترکیبی (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH (اعم از کوتاهمدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدلهای ترکیبی حاصلشده، بازده بیتکوین برای 10 روز آینده بهصورت گامبهگام پیشبینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافتههای پژوهش نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیشبینی بازده بیتکوین کارآمدتر و دارای خطای پیشبینی کمتری نسبت به سایر مدلهای رقیب است.
پرونده مقاله
این مقاله به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیشبینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 میپردازد. در این پژوهش از مدلهای دارای حافظه کوتاه مدت GARCH و EGARCH استفاده میشود. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با چکیده کامل
این مقاله به معرفی مدلهایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیشبینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 میپردازد. در این پژوهش از مدلهای دارای حافظه کوتاه مدت GARCH و EGARCH استفاده میشود. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی مدلهای ترکیبی خانواده GARCH (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدلهای ترکیبی بازده طلا پیشبینی شده است . وهمچنین پیشبینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدلهای جاری در پیشبینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند.
پرونده مقاله
در بازار سرمایه، نوسانات نرخ ارز تاثیر قابل توجهی بر تغییر قیمت داراییهای مالی نظیر سهام دارد. در این راستا نظر به اهمیت ریسک بازدهی سهام برای مشارکتکنندگان در بازار، سوالی که دراینجا مطرح میشود این که علاوهبر تاثیرگذاری نوسانات نرخ ارز بر قیمت سهام، آیا تغییرات نرخ چکیده کامل
در بازار سرمایه، نوسانات نرخ ارز تاثیر قابل توجهی بر تغییر قیمت داراییهای مالی نظیر سهام دارد. در این راستا نظر به اهمیت ریسک بازدهی سهام برای مشارکتکنندگان در بازار، سوالی که دراینجا مطرح میشود این که علاوهبر تاثیرگذاری نوسانات نرخ ارز بر قیمت سهام، آیا تغییرات نرخ ارز تاثیر معناداری بر ریسک بازدهی سهام در بازههای زمانی کوتاهمدت و بلندمدت دارد؟ و همچنین آیا این تاثیرات به یک میزان است یا بر حسب حالتهای مختلف، رفتار قیمت سهام متفاوت است؟ برای پاسخدهی به این سوالات، ضرروت استخراج ریسک بازدهی سهام در رژیمهای مختلف مهم میباشد. از اینرو در پژوهش حاضر تلاش گردیده است تا با استفاده از مدلهای پارامتریک مبتنی بر رهیافت سوئیچینگ مارکوف اقدام به استخراج ریسک بازدهی شاخص صنایع منتخب (خودرو، معدن، سیمان) در دو رژیم مختلف گردد. پس از استخراج سری زمانی ریسک با استفاده از مدل ARDL به بررسی تاثیرات کوتاهمدت و بلندمدت نوسانات نرخ ارز بر ریسک بازدهی شاخص صنایع بر حسب رژیمهای مختلف پرداخته شد. نتایج تحقیق نشان داد که بازدهی شاخص صنایع از انتقالات رژیمی تبعیت نموده و واکنشهای نامتقارنی به شوکهای بیرونی میدهند. همچنین ریسک بازدهی شاخص صنایع تاثیرات معنیدار و متفاوتی از نوسانات نرخ ارز در کوتاهمدت و بلندمدت میپذیرند.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد