خلاصة:
در سالهای اخیر بازارهای مالی با نوسانات زیادی مواجه شده و عدم اطمینان ناشی از این نوسانها، نگرانیهایی را در سرمایهگذاران ایجاد نموده است. از این رو مدلسازی نوسان و پیشبینی آن در مسائل مختلف تحقیقی و عملی مالی، مورد توجه قرار گرفته است. در این راستا، امکان دسترسی به دادههای پرفراوانی، عرصهی جدیدی برای مدلسازی نوسان و پیشبینی بازده داراییهای مالی ایجاد نموده است.
در این پژوهش، مدلسازی نوسان با استفاده از دادههای پرفراوانی و با کمک مدلهای خانوادهی HAR-RV، انجام شده و اثر اضافه نمودن جزء پرش در کارایی پیشبینی نوسان شاخص کل بورس اوراق بهادار تهران مورد بررسی قرار گرفته است. نتایج مدلسازی و پیشبینی حاکی از این است که خطای پیشبینی با اضافه نمودن جزء پرش به مدل کاهش یافته و همچنین مجزا نمودن اجزای پرش و پیوسته نوسان تحققیافته نیز در بهبود کارایی پیشبینی تاثیرگذار است.
In recent years, financial markets have faced with high volatility so that the unreliability caused by this, has made investors to be concerned. Therefore, volatility modeling and prediction is taken into consideration in various researches and practical issues. In this regard, access to high frequency data creates a new field in volatility modeling and return prediction of financial assets.
In this Thesis using high frequency data, the volatility modeling has been performed by HAR-RV family models, and the effect of adding jump component to volatility prediction efficiency of index is studied in Tehran Securities Exchange. The results of modeling and prediction suggest that the forecast error is decreased by adding jump component into model, and also the separation of jump and continuous components of realized volatility is effective on performance improvement.
ملخص الجهاز:
مدلسازي و پيش بيني نوسان تحقق يافته با در نظر گرفتن پرش در بورس اوراق بهادار تهران 1 سعيد فلاح پور تاريخ دريافت : ٩٤/١٢/٢٤ تاريخ پذيرش : ٩٥/٠٣/١٩ 2 وحيد مطهري نيا چکيده در سال هاي اخير بازارهاي مالي با نوسانات زيادي مواجه شده و عدم اطمينان ناشي از اين نوسان ها، نگراني هايي را در سرمايه گذاران ايجاد نموده است .
در اين پژوهش ، مدل سازي نوسان با استفاده از داده هاي پرفراواني و با کمک مدل هاي خانواده ي -HAR RV، انجام شده و اثر اضافه نمودن جزء پرش در کارايي پيش بيني نوسان شاخص کل بورس اوراق بهادار تهران مورد بررسي قرار گرفته است .
در اين روش با در نظر گرفتن يک فرايند وينر همراه با پرش براي نوسان و استفاده از نتايج تحقيقات کرسي(٢٠٠٤)، بارندورف ، نيلسون ، شفرد (٢٠٠٤) و اندرسن و همکارانش (٢٠٠٧)، مدل هاي HAR-RV ،HAR-RV-J و HAR-RV-CJ به منظور مدل سازي و پيش بيني نوسان تحقق يافته معرفي شدند.
Some like it smooth and some like it rough: untangling continuous and jump components in measuring modelling and forecasting asset return volatility.
Roughing it up: including jump components in themeasurement, modeling and forecasting of return volatility.
Shephard (2002b), “Estimating Quadratic Variation Using Realized Variance,” Journal of Applied Econometrics, 17, 457-478.
Shephard (2004a), “Power and Bipower Variation with Stochastic Volatility and Jumps,” Journal of Financial Econometrics, 2, 1-37.
The performance of the heterogeneous autoregressive model in the forecasting of the realized volatility of individual stocks.
Heterogeneous Autoregressive of Realized Volatility Model 10.